圧縮センシング応用におけるサンプリングポリシー最適化のためのフローベース生成モデリング
本研究は、圧縮センシングにおけるサブサンプリングを最適化するためのタスク認識型フローベース生成フレームワークを提案します。従来のFlow Matching訓練パラダイムを再構築し、画像再構成（CelebAデータセットで5%サブサンプリング時にPSNR 25.17 dB）やMRI加速（fastMRIデータセットで8倍加速時に29.24 dB）において最先端の性能を達成し、計算オーバーヘッドは最小限です。
圧縮センシング（Compressed Sensing, CS）は、信号がスパースである場合、従来の標本化定理が必要とするよりも少ない測定値で信号を再構成できることを示すパラダイムです。しかし、従来のCS手法はしばしばタスクに依存しない固定のサンプリング方式に依存しており、さまざまな応用における適応性が制限されていました。最近、arXivに投稿された研究（番号：2606.00078）では、CSのサンプリング戦略を特定の下流タスクに適応させるために、タスク認識型のフローベース生成フレームワークが提案されました。
この研究はRoman Pavelkinら4人の著者により、2026年5月22日に提出されました。従来のFlow Matching訓練パラダイムを再考し、タスク条件付き生成モデルとして再構築したものです。核心となるアイデアは、ランダムまたは事前定義されたマスクの代わりに、フローモデルを訓練して最適なサブサンプリングマスクを学習することです。このアプローチにより、サンプリングプロセスを画像分類、画像再構成、MRI加速などのタスク要件に適応させることができます。
実験結果は、複数のベンチマークで顕著な成果を示しています。画像再構成タスクでは、CelebAデータセットを使用し、わずか5%のピクセルサンプリングで25.17 dBのピーク信号対雑音比（PSNR）を達成し、従来手法を凌駕しました。fastMRIデータセットでは、8倍加速のMRI再構成においてPSNR 29.24 dBを達成し、計算オーバーヘッドは最小限に抑えられました。さらに、画像分類タスクでも性能向上が確認されました。
この研究の革新性は、タスク条件付けを生成フローモデルに導入し、サンプリング方式をタスクに応じて動的に調整できるようにした点にあります。著者らは、このフレームワークがデータ駆動型およびタスク駆動型のセンシング方式設計に統一された柔軟なアプローチを提供し、医用イメージングやレーダー信号処理などの幅広い逆問題に応用できる可能性があると述べています。全体として、この概念実証研究は、圧縮センシングのサンプリング最適化におけるフローベース生成モデルの大きな可能性を示しており、将来のより効率的で適応性の高いセンシングシステムへの道を開くものです。