科学的画像処理の分野では、データ収集時にノイズが混入することが避けられません。高品質な参照データを取得することが困難、実用的でない、あるいは不可能な場合も多くあります。このような課題に対応するため、研究者たちはノイズを含むデータから直接クリーンな分布を学習する新しい手法を開発しました。 今回紹介される「ノイズロバスト条件付フロー マッチング（NR-CFM）」は、1枚の画像につき1つのノイズ観測値から学習できる無条件生成モデルです。条件付フロー マッチング（CFM）は、シンプルな回帰目標と安定した訓練、効率的なサンプリング、強力な画像生成性能を組み合わせた手法として知られており、NR-CFMはこのフレームワークを拡張したものです。 NR-CFMの特徴は、加法性白色ガウスノイズに対して閉形式のクリーン端点補正を提供し、より複雑な共分散構造を持つ一般的なガウス劣化に対してはデータ駆動の補正を学習することです。評価実験では、NR-CFMはNR-GANを大多数の条件で上回り、高ノイズ領域ではAmbient Diffusionと競争力のある性能を示しています。さらに信号対ノイズ比が0.001という極めて低い科学データに対しても評価され、ノイズの多い測定値から妥当な粒子画像を生成できることが実証されました。