该论文介绍了一种基于图形模型置信传播的新的迭代阈值算法，通过简单无成本的修改，使其系统可以获得与相应凸优化过程相当的稀疏性 - 欠采样权衡，并且该系统没有之前算法的限制，并证明了它的理论计算。

Jul, 2009

这篇论文介绍了一种基于学习的框架，用于优化针对特定重建规则和解剖学的 MRI 子采样模式，在噪声和无噪声情况下，通过访问代表性的训练信号集合，并搜索一种在该集合中的平均表现良好的采样模式，我们提出了一种参数自由的贪婪掩模选择方法，并通过统计学习理论严谨地证明了该框架的正确性。

May, 2018

本文研究将压缩感知应用于磁共振成像，通过优化采样掩蔽来减少采样时间，并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案，该方法有效降低了计算负担，并在动态 MRI 中证明了其良好的性能。

Feb, 2019

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019

该研究提出了一种基于学习的方法来选择优化恢复性能的固定索引集，通过解决组合优化问题最大化能量捕获。结果表明，该方法在各种数据集上都是有效的。

Oct, 2015

本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

Sep, 2017

通过对无线网络处理技术进行深入的研究与探索，本篇论文探究了相关过程的不同表现形式。同时，结合压缩感知技术，本研究提出了许多有关大规模天线阵列、非正交多路访问（NOMA）和超密集网络（UDN）等领域的有前景的研究思路。

Sep, 2017

本文介绍了一种基于概率重构方法、信令传递算法、及结晶成核理论的、能够精确重构低采样率稀疏信号的压缩感知算法，并使用统计物理方法进行了分析和实验验证。

Sep, 2011

本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法，用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像，不需要原始图像，也不需要手动设置的图像先验条件，并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。

Jun, 2018

本文提出了一种新型的计算感知框架，以深度卷积神经网络为基础，通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换，实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较，实验证明所提出的方法在信号恢复的性能、训练速度和参数数量等方面都取得了优异的表现。

Jul, 2017