本文提出了一种新的框架，即容忍近似误差的基于模型的压缩感知（approximation-tolerant model-based compressive sensing），该框架包含了一系列算法，用于稀疏恢复，只需要对模型投影问题进行近似求解，通过图优化技术，将这些算法应用于我们的框架，得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。
Jun, 2014
本文研究了压缩感知问题，提出了一种基于二阶锥的优化方法，该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下，求解具有优良效果的稀疏向量，该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差
Jun, 2023
本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。
Aug, 2008
本研究提出了一种基于大规模凸优化的非光滑正则化算法，直接解决了压缩感知 (corrupted compressive sensing) 问题，同时提出了针对各种情况的鲁棒压缩感知算法和简单有效的求解扩展问题的算法，在计算效率和求解难度等方面得到了显著提高，同时在几个压缩感知成像任务上取得了良好的效果。
Nov, 2012
本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。
Oct, 2014
本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。
May, 2019
研究压缩感知中的联合稀疏恢复问题，提出了最小均方误差估计问题、置信传播算法及其松弛版本以及近似信息传递算法，并使用密度演化提供了精确恢复的充分条件。
Feb, 2011
本文探讨了通过 Tree-sparse 信号的自适应传感和结构稀疏融合的压缩感官技术在支持恢复任务中的性能极限。结果表明，这种自适应树传感过程几乎是最优的。
Jun, 2013
本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。
Jun, 2011
本文使用经验过程的工具，在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明，使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。