本研究提出了基于统计压缩感知（SCS）的压缩感知（CS）新框架，探索了基于高斯模型的 SCS，对单高斯模型下的信号进行了深入探究，并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器，提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明，与传统 CS 相比，GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。
Jan, 2011
本文提出了一种基于块的压缩感知深度学习算法，通过完全连接网络进行块状线性感知和非线性重建，优化了感知矩阵和非线性重构算子，且在重构质量和计算时间方面优于现有技术。
Jun, 2016
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
本文提出了一种新的算法，通过避免显式计算协方差矩阵结合蒙特卡洛抽样和迭代线性求解器，从而大大加速模型推断。与现有基准相比，实验表明我们的算法在速度上可快数千倍，内存利用率提升一个数量级。
Sep, 2023
本文提出基于中位数均值的算法用于压缩感知中估计高维向量，具有重尾或异常值数据的鲁棒性，同时理论结果表明该算法在次高斯假设下具有与经验风险最小化相同的样本复杂度保证。
Jun, 2020
该研究旨在探讨在压缩感知和分解多个结构化信号的更一般问题中，使用凸优化方法恢复低秩和稀疏成分的性能分析，证明了该方法可采用均匀随机选取测量方式恢复低秩和稀疏项。
Feb, 2012
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
本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。
Dec, 2018
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
该研究提出了一种基于卷积神经网络的图像压缩感知编码框架，使用局部结构采样，并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上，优于现有的压缩感知编码方法。
Feb, 2024