論文の概要: Flow-Based Generative Modeling for Optimizing Sampling Policies in Compressed Sensing Applications

• arxiv url: http://arxiv.org/abs/2606.00078v1
• Date: Fri, 22 May 2026 12:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.546187
• Title: Flow-Based Generative Modeling for Optimizing Sampling Policies in Compressed Sensing Applications
• Title（参考訳）: 圧縮センシングアプリケーションにおけるサンプリングポリシ最適化のためのフローベース生成モデル
• Authors: Roman Pavelkin, Luis A. Zavala-Mondragon, Christiaan G. A. Viviers, Fons van der Sommen,
• Abstract要約: 圧縮センシングのためのサブサンプリングマスクを学習するためのフローベース生成フレームワークを提案する。 画像再構成では, ピーク信号対雑音比が25.17dB, サブサンプリングレートが5%であった。 その結果、生成フローモデルにおけるタスクコンディショニングの有効性を強調し、表現学習戦略の有望な方向性を明らかにした。
• 参考スコア（独自算出の注目度）: 6.687252358900529
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerous modern applications in signal processing and medical imaging necessitate acquiring high-dimensional signals under tight resource constraints. Traditional sampling theory suggests that accurate signal reconstruction requires a number of measurements proportional to the signal's ambient dimension, a requirement often too expensive or impractical. Compressed sensing challenges this notion by demonstrating that sparse signals can be recovered with fewer measurements, provided the measurement operator meets certain conditions. This proof-of-concept study presents a task-aware flow-based generative framework -- a reformulation of the conventional Flow Matching training paradigm with a flow model trained to optimize subsampling in compressed sensing applications. We establish the fundamental feasibility of the proposed framework of learning subsampling masks that substantially enhance the performance of compressed sensing for image classification, image reconstruction, and MRI acceleration. For the image reconstruction task, our method demonstrated state-of-the-art performance, achieving Peak Signal-to-Noise Ratio of 25.17 dB at the subsampling rate of 5\% on the CelebA dataset and 29.24 dB when reconstructing $8\times$ accelerated MRI measurements (fastMRI dataset) with the minimal computational overhead. These results highlight the effectiveness of task-conditioning within generative flow models and reveal a promising direction for representation learning strategies. Overall, the proposed framework offers a unified, flexible approach to designing data- and task-driven sensing schemes that can be potentially adapted to a broad range of inverse problems.
• Abstract（参考訳）: 信号処理と医用イメージングにおける多くの近代的応用は、厳しい資源制約の下で高次元信号を取得する必要がある。 従来のサンプリング理論では、正確な信号再構成には、信号の周囲の寸法に比例した多くの測定が必要であることが示唆されている。 測定オペレータが特定の条件を満たす場合、スパース信号がより少ない測定で回収できることを実証することで、この概念を圧縮されたセンシングに挑戦する。 この概念実証研究は、従来のフローマッチングトレーニングパラダイムを、圧縮センシングアプリケーションのサブサンプリングを最適化するためにトレーニングされたフローモデルで再構築した、タスク対応フローベースの生成フレームワークを提案する。 我々は,画像分類,画像再構成,MRI加速度のための圧縮センシングの性能を大幅に向上させる,サブサンプリングマスクの学習フレームワークの基本的実現可能性を確立する。 CelebA データセットで 5 % のサブサンプリングレートで 25.17 dB のピーク信号対雑音比を実現し, 8 倍の高速化 MRI データセットを最小の計算オーバーヘッドで再現した場合に 29.24 dB のピーク信号対雑音比を達成できた。 これらの結果は、生成フローモデルにおけるタスクコンディショニングの有効性を強調し、表現学習戦略の有望な方向性を明らかにする。 全体として、提案するフレームワークは、幅広い逆問題に適応可能なデータおよびタスク駆動型センシングスキームを設計するための統一的で柔軟なアプローチを提供する。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design [1.3142127084199051]
  臨床環境におけるMRIの利点を最大化するための鍵となる課題は、画像品質を著しく劣化させることなく取得時間を短縮することである。 この目的には、高速な取得のために生のk空間測定をアンダーサンプリングすることと、高忠実度画像再構成および解析タスクのための十分な生情報を収集することのバランスが必要である。 本稿では, 逐次ベイズ実験設計(BED)を用いて, 最も情報性の高い測定値の適応的, タスク依存的な選択を実現することを提案する。
  論文  参考訳（メタデータ） (2025-06-19T11:48:30Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Single-pass Object-adaptive Data Undersampling and Reconstruction for MRI [6.599344783327054]
  本稿では,畳み込みニューラルネットワークMNetを用いたデータ駆動型サンプリング手法を提案する。 ネットワークは、各オブジェクトに対する非常に限られた低周波k空間データを観測し、所望のアンダーサンプリングパターンを迅速に予測する。 高速MRI膝関節データセットの実験結果から,提案した学習アンダーサンプリングネットワークを用いて,4倍,8倍の加速度で物体特異的マスクを生成できることが示された。
  論文  参考訳（メタデータ） (2021-11-17T16:06:06Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。