現代の信号処理や医用画像処理の多くの応用では、厳しいリソース制約の下で高次元信号を取得する必要がある。従来のサンプリング理論では、正確な信号再構成には信号の環境次元に比例した測定回数が必要とされ、その要求はしばしば高コストで非現実的である。圧縮センシングはこの考え方に挑み、測定演算子が一定の条件を満たせば、疎な信号をより少ない測定で復元できることを示した。
2026年5月22日にarXiv（2606.00078）へ投稿されたこの概念実証研究で、Roman Pavelkin氏ら4名の著者は、タスク認識型のフローベース生成フレームワークを提案している。これは従来のFlow Matchingの学習パラダイムを再構成し、圧縮センシング応用におけるサブサンプリングを最適化するようフローモデルを訓練するもので、人手による設計やランダムなサンプリングに頼らず、サブサンプリングマスクそのものを学習する。
著者らは画像分類、画像再構成、MRI加速という3つのタスクでフレームワークの基本的な実現可能性を確認した。学習されたサブサンプリングマスクは圧縮センシングの性能を大幅に向上させる。画像再構成では、CelebAデータセットで5%のサブサンプリング率においてPSNR 25.17 dBを達成し、fastMRIデータセットで8倍加速MRI測定を再構成した際には29.24 dBを記録した。いずれも計算オーバーヘッドは最小限であり、当時最高水準の性能である。
これらの結果は、生成的フローモデル内でのタスク条件付けの有効性を示すとともに、表現学習戦略の有望な方向性を明らかにしている。全体としてこのフレームワークは、データ駆動型かつタスク駆動型のセンシング方式を設計するための統一的で柔軟なアプローチを提供し、より広範な逆問題への適用が期待される。研究はコンピュータビジョンとパターン認識（cs.CV）に分類され、人工知能（cs.AI）にも関連する。