结构稀疏编码的快速逼近及其在物体分类中的应用
该论文提出了一种简单有效的自适应稀疏编码算法，其可以学习到一组可能过度完备的基函数，通过这些基的线性组合可以重构自然图像块。这种方法可以应用到视觉物体识别任务中，并且可以得到比精确稀疏编码算法更加准确的结果。
Oct, 2010
通过分离图像的变异因子，我们提出了一种基于 Gabor-like 滤波器的模型，在学习过程中达到更高的统计效率和更好的压缩性能，仅使用单个字典元素就可以优于标准稀疏编码，较好地解决了传统稀疏编码过度冗余的问题。
Sep, 2011
本文提出了一个用于结构化稀疏编码和建模的综合框架，扩展了使用可学习的快速回归器来逼近精确稀疏编码的最近思想，并演示了一个有效的前馈体系结构来近似精确结构化稀疏编码与标准优化方法相比，此体系结构的复杂性仅为一小部分，并且可以应用于大规模实时应用，因此该框架适用于大规模应用的实时情况。
Jun, 2012
使用基于spike-and-slab sparse coding的新特征学习和提取程序，通过适合于GPU的推理过程来克服大数量类的对象识别中标记样本数量的不足，并证明其在CIFAR-10和CIFAR-100数据集上能够提高监督学习性能和比以前的方法更好地扩展到大量的类别，从而成功赢得了2011年NIPS工作坊中的挑战
Jun, 2012
本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。
Nov, 2014
本文提出了利用约束稀疏编码来近似存储大规模向量数据库，并实现高效检索的方法，可以在保证码本量的情况下，索引如BIGANN等大规模数据集，实现了学习/编码时间、索引大小、搜索质量等多种因素的平衡。
Aug, 2016
本研究提出了一种用于稀疏编码（SC）问题的高效算法，既适用于单个字典设置，又适用于形态学组分分析（MCA）中的多个字典设置；该算法采用深度学习结构，可以加速获得稀疏编码，并在提高运行速度、提高数据质量和改善视觉清晰度方面取得了巨大的改进。
Feb, 2018
Sparse R-CNN是一种用于图像中目标检测的纯稀疏方法，通过固定的稀疏一组学习目标建议代替手动定义的物体候选框，并直接输出最终预测结果，表现优于基线模型，可用于COCO数据集等。
Nov, 2020
本文提出了一种命名为SparseFormer的新方法，以在端到端的方式中模仿人的稀疏视觉识别，其中SparseFormer使用稀疏特征抽样过程，在潜在空间中使用极少量的标记（降至49），而不是在原始像素空间中处理密集单元，从而具有更低的计算成本。SparseFormer在ImageNet分类基准数据集上的实验表明，它具有与规范或已建立模型相当的性能，同时提供更好的准确度-吞吐量权衡，并且设计我们的网络可以以更低的计算成本轻松扩展到视频分类。
Apr, 2023