基於流的生成模型最佳化壓縮感知中的取樣策略
該研究提出了一種任務感知的流式生成框架，透過重新定義流匹配訓練正規化，學習最優的子取樣掩碼，從而在影像分類、重建和MRI加速等壓縮感知應用中顯著提升效能。在CelebA資料集上以5%取樣率達到25.17 dB的PSNR，在fastMRI上實現8倍加速重建的29.24 dB，計算開銷極小。
壓縮感知（Compressed Sensing, CS）挑戰了傳統取樣理論，表明稀疏訊號可以用遠少於訊號維度要求的測量值進行重建。然而，傳統CS方法通常依賴於固定的、與任務無關的取樣方案，這限制了其在不同應用場景下的適應性。最近，一項來自arXiv的研究（編號：2606.00078）提出了一種任務感知的流式生成框架，旨在最佳化CS中的取樣策略，以適應特定的下游任務。
該工作由Roman Pavelkin等四位作者完成，於2026年5月22日提交。研究將流匹配（Flow Matching）訓練正規化重新構想為一種任務條件化的生成模型。核心思想是訓練一個流模型來學習最優的子取樣掩碼，而不是使用隨機或預定義的掩碼。這種方法使得采樣過程能夠根據任務需求（如影像分類、影像重建或MRI加速）動態調整，從而提升取樣效率。
實驗結果表明，該框架在多個基準測試中取得了顯著成效。在影像重建任務中，利用CelebA資料集，僅使用5%的畫素取樣即達到了25.17 dB的峰值訊雜比（PSNR），超越了以往方法。在fastMRI資料集上，實現8倍加速的MRI重建，PSNR達到29.24 dB，且僅增加極小的計算開銷。此外，該方法在影像分類任務上也表現出效能提升。
該研究的創新之處在於將任務條件化引入生成流模型，使取樣方案能夠根據具體任務動態調整。作者指出，這一框架為資料驅動和任務驅動的感測方案設計提供了統一而靈活的途徑，有望廣泛應用於一系列逆問題，如醫學成像、雷達訊號處理等。總體而言，這項概念驗證研究展示了流式生成模型在最佳化壓縮感知取樣方面的巨大潛力，為未來更高效、適應性更強的感測系統開闢了新的方向。