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

本文提出了一种基于自适应感知和分组测试的简单的稀疏信号恢复算法 —— 压缩自适应感知和搜索（CASS）算法，在最低信噪比水平下成功率接近最优，并比以前的自适应压缩感知工作有所提高。相比基于随机非自适应设计矩阵的传统压缩感知，该算法只需要 k log n 个测量数据即可恢复 n 维稀疏信号，要求的 SNR 水平是标准压缩感知要求的 log n 倍。此外，该算法在感知操作的构建和实现以及对重建结果的计算方面，远比标准压缩感知计算量要小得多。经过模拟实验，CASS 在实践中表现得最好。本文还表明，像压缩感知、分组测试和汇聚这样的方法，不仅可以减少测试或测量的数量，而且自适应版本的这些方法还可以在检测和估计性能方面优于非自适应的直接（未压缩）感知。

Jun, 2013

本文研究稀疏信号方面的适应性感知问题，分析了信号峰值和最小幅度和稀疏度之间的关系，并发现之前文献所提出的适应性压缩感知方法是最优的，不能显著改进。

Jun, 2012

本研究考虑利用已知部分的支持的信息来重构稀疏信号，提出了一种基于凸松弛的算法来获得除部分支持已知的信号外最稀疏的信号，以及基于先前信号估计知识的重构方法，并进行了模拟比较。

Mar, 2009

本论文详细介绍了一种新型的压缩感知策略，使用概率方法进行信号重建和最大化信号模型参数，并探讨了不同信号分布的相应相图的渐近分析及最佳重建性能。

Jun, 2012

本论文提出了一种新的图像压缩感知恢复策略 —— 通过结构分组稀疏表示 (SGSR) 建模，在自适应的分组域中同时强制图像稀疏性和自相似性，并开发了一种高效的迭代收缩 / 阈值算法技术来解决上述优化问题。实验结果表明，这种新的压缩感知恢复策略相对于当前最先进的方案实现了显著的性能改进，并且表现出了不错的收敛性。

Apr, 2014

该论文研究了对一组 $n$ 个时间域样本的小型随机子集中的谱稀疏信号的恢复问题，声称使用一种名为结构化矩阵完成（EMaC）的新算法，该算法通过核范数最小化的方式，通过把数据排列成低秩增强形式来进行恢复，并展示了其对低秩多重 Hankel 或 Toeplitz 矩阵的恢复能力。

Apr, 2013

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

本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的，即同样的测量方案可同时适用于所有稀疏向量，并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。

May, 2017