信号処理と医療画像診断の分野では、限られたリソース制約の下で高次元信号を取得する必要があるアプリケーションが数多く存在します。従来のサンプリング理論では、信号の正確な復元には信号の環境次元に比例した測定数が必要とされており、この要件は実務的には非常に高コストで実現困難なことが多いという課題がありました。圧縮センシングはこうした常識に挑戦し、測定演算子が特定の条件を満たす場合、スパース信号はより少ない測定数で復元可能であることを示しています。 本研究は、Flow Matchingの従来の訓練パラダイムを再構成した、タスク認識型フロー生成フレームワークを提案しています。このフローモデルは圧縮センシング応用においてサブサンプリング最適化するために訓練されたもので、画像分類、画像復元、MRI加速といった複数のタスクにおけるサブサンプリングマスクの学習が、圧縮センシングの性能を大幅に向上させることの基本的な実現可能性を実証しています。 特に画像復元タスクでは最先端の性能を達成し、CelebAデータセットで5%のサブサンプリングレートにおいて25.17 dBのピーク信号対雑音比を、またfastMRIデータセットで8倍加速されたMRI測定値を復元する際には29.24 dBを達成しました。これらの結果は最小限の計算オーバーヘッドで実現されており、生成フローモデル内のタスク条件付けの有効性を強調しています。提案されたフレームワークは、データドリブンでタスク駆動のセンシング方式設計に対する統一的で柔軟なアプローチを提供し、逆問題に関わる幅広い応用に適応される可能性のある有望な方向性を示唆しています。