在采样数据可能被严重破坏的情况下，通过可行的最小化方法可以准确地恢复稀疏信号和低秩矩阵。

Apr, 2011

本文研究了在一般（即可能是冗余或不完整的）词典中表现出稀疏表示并受到另一种广义词典中的加性噪声干扰的信号的恢复方法。文章基于新的不确定性关系提供了确定性的恢复保证，并提供了相应的实用恢复算法。

Feb, 2011

分析基 Pursuit 信号恢复中的波动干扰，即数学模型中的加性噪声与乘性噪声，结果显示在合适的条件下，恢复信号的稳定性受观测噪声水平的限制，同时，在无加性噪声的情况下，恢复的误差是相对扰动的线性函数，并且准确性与最小二乘技术的最佳重建处于常数倍数的范围内。

Jul, 2009

本文基于凸规划方法，从独立随机线性测量中恢复结构信号，为采样复杂度提供类似于标准高斯测量的界限，并发掘该方法的实际应用，包括一项关于痕范数最小化的相位恢复分析。

May, 2014

本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

Aug, 2015

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

本研究旨在针对高维信号恢复问题，提出了基于修正线性单元的一比特和均匀多比特量化的凸规划算法，在线性测量过程中添加设计良好的噪声，从而获得最优近似重构保证，并证明了该算法对位坏的鲁棒性。其中，Dirksen 和 Mendelson 对非高斯超平面镶嵌的最新结果作为证明依据。

Nov, 2019

本文针对 $m<<n$ 的欠定情况，在优化变量上施加先前的结构信息，将恢复问题形式化为非凸优化问题，并证明了在任何不变约束集下，投影梯度下降收敛于未知信号的线性速率，这为此数据贫瘠的场景提供了第一个可证实的算法，为理解约束非凸优化启发了强有力的工具，其数学结果为数据驱动的相位成像系统开辟了一种新的方向。

Feb, 2017

本研究通过使用次高斯分布的单比特测量，结合凸程序解决方案，可以精确地重建几乎稀疏的信号。

Aug, 2012