基于流的生成模型优化压缩感知中的采样策略
该研究提出了一种任务感知的流式生成框架，通过重新定义流匹配训练范式，学习最优的子采样掩码，从而在图像分类、重建和MRI加速等压缩感知应用中显著提升性能。在CelebA数据集上以5%采样率达到25.17 dB的PSNR，在fastMRI上实现8倍加速重建的29.24 dB，计算开销极小。
压缩感知（Compressed Sensing, CS）挑战了传统采样理论，表明稀疏信号可以用远少于信号维度要求的测量值进行重建。然而，传统CS方法通常依赖于固定的、与任务无关的采样方案，这限制了其在不同应用场景下的适应性。最近，一项来自arXiv的研究（编号：2606.00078）提出了一种任务感知的流式生成框架，旨在优化CS中的采样策略，以适应特定的下游任务。
该工作由Roman Pavelkin等四位作者完成，于2026年5月22日提交。研究将流匹配（Flow Matching）训练范式重新构想为一种任务条件化的生成模型。核心思想是训练一个流模型来学习最优的子采样掩码，而不是使用随机或预定义的掩码。这种方法使得采样过程能够根据任务需求（如图像分类、图像重建或MRI加速）动态调整，从而提升采样效率。
实验结果表明，该框架在多个基准测试中取得了显著成效。在图像重建任务中，利用CelebA数据集，仅使用5%的像素采样即达到了25.17 dB的峰值信噪比（PSNR），超越了以往方法。在fastMRI数据集上，实现8倍加速的MRI重建，PSNR达到29.24 dB，且仅增加极小的计算开销。此外，该方法在图像分类任务上也表现出性能提升。
该研究的创新之处在于将任务条件化引入生成流模型，使采样方案能够根据具体任务动态调整。作者指出，这一框架为数据驱动和任务驱动的传感方案设计提供了统一而灵活的途径，有望广泛应用于一系列逆问题，如医学成像、雷达信号处理等。总体而言，这项概念验证研究展示了流式生成模型在优化压缩感知采样方面的巨大潜力，为未来更高效、适应性更强的传感系统开辟了新的方向。