Flow-Based Generative Modeling for Optimizing Sampling Policies in Compressed Sensing Applications

技術要約：圧縮センシングにおけるサンプリング・ポリシー最適化のためのフローベース生成モデリング

問題提起
現代の信号処理や医療画像におけるアプリケーションでは、厳格なリソース制約下で高次元信号を取得することが求められることが多い。古典的なサンプリング理論は、正確な再構成には信号の周囲次元に比例した測定が必要であることを規定しているが、これは頻繁に非現実的な要求となる。圧縮センシング（CS）は、測定演算子が特定の条件（例：非干渉性）を満たす場合、疎な信号からより少ない測定量で復元することを可能にすることで、この問題に対処する。しかし、再構成の品質はサンプリング・スキームの選択に強く依存する。サンプリング・マスクは離散的かつ非微分的であるため、最適なサブサンプリング・パターンを見つけることはNP困難な組合せ最適化問題となり、単純なエンドツーエンドの最適化を妨げる。さらに、探索空間はセンサー位置の数とともに指数関数的に増大するため、網羅的な探索は不可能である。既存の生成的アプローチ（Deep Probabilistic Subsampling (DPS) や Active Diffusion Subsampling (ADS) など）は、固定されたマスクを生成するか、あるいは高い計算レイテンシに苦しむことが多く、適応性やリアルタイムの臨床的有用性を制限している。

手法
著者らは、従来のフロー・マッチング（FM）の学習パラダイムを再定式化した、タスク指向のフローベース生成フレームワークを提案している。本モデルは、データ多様体を直接モデリングするのではなく、サンプリング空間の多様体上で動作し、最適なサブサンプリング・マスクを学習する。

• サンプリング多様体上のフロー・マッチング: 本フレームワークは、標準的なガウスノイズ分布（$p_0$）からターゲット分布のサンプリング演算子（$p_1$）へと点を輸送するために、ニューラル常微分方程式（ODE）を利用する。モデルは、生成軌道を定義する時間依存のベクトル場 $v_\phi(x, t)$ を学習する。
• タスク条件付き最適化: ノイズとデータの間の線形結合に依存する標準的なFMとは異系的に、本フレームワークは生成フローをダウンストリームのCSタスクソルバ（$f_\theta$）と結合させる。学習目的関数は、標準的なFM回帰損失（$L_{FM}$）とタスク固有の損失（$L_{task}$）を組み合わせ、学習可能な不確実性パラメータ（$\sigma_1, \sigma_2$）によって重み付けした複合損失を最小化する。これにより、モデルはサンプリング・ポリシーとタスクの性能を共同で最適化できる。
• 微分可能なシグモイド・ゲーティング: 離散的なバイナリ・マスクの非微分性に対処するため、フローモデルの連続出力（$x_t$）はカスタムの微分可能なシグモイド・ゲートを通過する。このゲートは、時間依存の急峻度関数 $s(t)$ とパーセンタイル閾値 $\tau$ を採用し、ソフト・マスク（$g(x_t) \in (0, 1)$）を生成する。タイムステップ $t$ が増加するにつれて遷移は鋭くなり、マスク生成プロセスのエントロピーを効果的に正則化する。
• 推論モード: 本フレームワークは2つの運用モードをサポートする。
  1. ランダム・トゥ・オプティマイズド（Random-to-Optimized）: 初期段階のランダムな測定が行われ、特徴量が抽出された後、フローモデルが後続の測定のための最適化されたマスクを生成する。これは、測定コストが低い場合や信号が静的なシナリオ（例：MNIST, CelebA）に適している。
  2. 適応型センシング（Adaptive Sensing）: 低周波（LF）k空間データが最初に取得される。特徴抽出器がフローモデルを条件付け、残りの高周波帯域に対する最適なサンプリング・パターンを決定する。このモードは、コストのかかる測定、特にMRI加速のために設計されている。

主な貢献

• 新しいパラダイム: 本論文は、フロー・マッチングを信号空間ではなく、サンプリング演算子の多様体内で訓練し、ダウンストリームのCSタスクに特化させた概念実証を導入している。
• 連続的かつ適応的なポリシー: 本フレームワークは、サンプリング・スキームの連続的かつ時間連続的なパラメータ化を提供し、粗い構造からタスク固有の精緻化へとスムーズな進化を実現する。これは静的なマスク生成手法とは異なる。
• 共同最適化: 本手法は、サンプリング戦略と再構成/分類タスクのエンドツーエンドの共同最適化を可能にし、生成プロセスを導くためにタスクの事前分布を活用する。
• 統一されたフレームワーク: 異なる測定演算子に対して再学習を必要とすることなく、画像分類、画像再構成、MRI加速を含む様々な逆問題に適用可能な、柔軟なアプローチを提供する。

実験結果
フレームワークは、MNIST、CelebA、およびfastMRI kneeデータセットを用いて評価された。

• MNIST分類: フローベースのアプローチは、ランダムなマスクで訓練された分類器と比較して、分類精度を20%以上向上させた。特定の固定サンプリング比率においてはA-DPSに劣ったものの、比率固有の訓練を必要とせずに、幅広い比率（1%から8%）にわたって高い汎用性を示した。
• 画像再構成（CelebA & MNIST）: 本手法は、画像再構成において最先端（SOTA）の性能を達成した。CelebAデータセットにおいて、5%のサブサンプリング率で25.17 dBのピーク信号対雑音比（PSNR）に達した。特に、攻撃的な（低い）サンプリング率において、既存のSOTAであるADS法を上回る性能を示した。
• MRI加速: fastMRIの実験において、本フレームワークは8倍加速時に0.7163の構造的類似性指数（SSIM）を達成し、この高加速因子においてすべてのベースライン（LOUPE, DPS, ADS, A-DPS）を上回った。4倍加速においては、他の手法と同等の性能を示した。
• 計算効率: サンプリング・マスクの生成における推論時間は、NVIDIA GeForce RTX 4070上で約127–130 msであった。これは、MRIのk空間ラインあたりの取得時間（500–2000 ms）よりも大幅に短く、またADS法が報告しているラインあたりの取得時間（3040 ms）よりも劇的に速く、リアルタイムの臨床展開への実現可能性を示唆している。

意義と主張
著者らは、本研究が、タスク条件付きフローベース生成モデルを使用して圧縮センシングのサンプリング・ポリシーを最適化するための基礎的な実現可能性を確立していると主張している。本研究は以下の点を強調している：

1. タスク条件付けの有効性: ダウンストリームのタスク事前分布をフロー・マッチングの訓練プロセスに直接統合することで、逆問題における性能が大幅に向上する。
2. サンプリング多様体の制約: サンプリング空間は、自然画像の多様体と比較して、訓練効率を向上させるために活用可能な固有の構造的制約（二値性、疎性）を有している。
3. 臨床的生存能力: 本フレームワークの低い計算オーバーヘッドと適応性は、特にMRIのスキャン時間を短縮し、診断データの質を向上させるという、実世界の医療画像アプリケーションにおける有望な候補であることを示している。
4. 汎用性: 本アプローチは、テストされた特定のタスクを超えて、幅広い逆問題に適用可能な、データおよびタスク駆動型のセンシング・スキームを設計するための、統一された柔軟な戦略を提供する。

本論文は、特定の再構成タスクにおいて最先端の結果を達成しているものの、主要な貢献は、様々な逆問題に適応可能なサンプリング・ポリシーを学習するための、新しい柔軟なフレームワークの提示であるという概念実証研究として位置づけられている。