压缩感知（Compressed Sensing）长期以来被视为一种挑战传统采样理论的技术路径：它指出，只要信号在某个变换域内足够稀疏，且测量算子满足一定条件，便可以用远少于环境维度所要求的测量次数实现精确重建。这一性质对信号处理与医学成像意义重大，因为在这些场景中，高维信号的采集往往受到成本、时间与硬件资源的严格限制。arXiv 于 2026 年 5 月 22 日发布的一篇论文（编号 2606.00078，v1 版本，UTC 时间 12:35:05 提交，全文约 4,963 KB）正是围绕这一核心问题展开，作者为 Roman Pavelkin 及另外三位研究者，论文归属计算机视觉与模式识别（cs.CV）分类，并交叉挂靠人工智能（cs.AI）方向。
该研究提出一个任务感知的、基于流的生成式框架，其核心思想是对常规 Flow Matching 训练范式进行重新表述，让流模型直接学习并优化压缩感知中的下采样策略。与以往依赖固定或人工设计的下采样掩膜不同，这一框架试图让下采样掩膜本身成为可学习的对象，从而根据具体下游任务的需求，决定哪些测量应当被保留、哪些可以被舍弃。作者将这项工作定位为一项概念验证（proof-of-concept）研究，重点在于验证该框架的基本可行性，而非给出一个已经完全成熟的工程系统。
在实验层面，论文考察了三类任务：图像分类、图像重建以及 MRI 加速。结果显示，学习得到的下采样掩膜能够显著提升压缩感知在上述任务中的表现。其中图像重建任务的成绩尤为突出：在 CelebA 数据集上，当子采样率仅为 5% 时，该方法取得了 25.17 dB 的峰值信噪比（PSNR）；在 fastMRI 数据集上，对 8 倍加速的 MRI 测量进行重建时，PSNR 达到 29.24 dB。作者强调，这些结果是在计算开销极小的前提下实现的，并将其描述为图像重建任务上的当前最优（state-of-the-art）表现。
论文进一步指出，这些结果说明在生成式流模型内部引入任务条件（task-conditioning）是有效的，同时也为表征学习策略揭示了一个值得探索的方向。从更宏观的角度看，该框架提供了一种统一而灵活的设计思路：感知方案可以同时由数据与任务驱动，而不再依赖先验的、通用的采样规则。作者认为，这种思路具备较强的可迁移性，未来有望适用于更广泛的一类逆问题（inverse problems），而不仅限于本文所测试的图像与 MRI 场景。
需要指出的是，作为一项概念验证工作，论文的主要贡献在于建立框架的可行性并给出初步的量化证据，而非宣称已经解决了压缩感知中所有与采样策略设计相关的难题。其在分类、重建与 MRI 加速三类任务上的结果，构成对该方法的初步检验；至于该框架在更大规模数据、更多模态以及真实临床或工业流程中的表现，仍有待后续研究加以验证。