该研究使用展开的 ISTA 算法研究了稀疏信号恢复，并通过引入权重结构和支持选择实现了渐近收敛性和加速收敛。实验表明，该方法在稀疏向量恢复和压缩感知方面具有很好的理论和实践应用价值。

Aug, 2018

本文研究了 ISTA 算法中的选适应性步长的方法，提出了学习 ISTA 步长的网络结构，实验证明该方法与现有最先进的网络相比是具有竞争力的。

May, 2019

本文提出了一种名为 TISTA 的新型稀疏信号恢复算法，采用了可调整参数控制步长和误差方差的最小均方误差收缩单元，并通过标准深度学习技术调整这些变量，实验表明，TISTA 适用于各种传感矩阵，并且收敛速度明显快于 AMP 和 LISTA。

Jan, 2018

该论文提出了一个结合了模型解释性和通用性的基于深度学习的图像优化网络 FISTA-Net，该网络能够优化不同成像任务的参数，如电磁层析成像和 X 射线计算机断层扫描，并表现出好的泛化能力。

Aug, 2020

本研究致力于发展一种快速而准确的压缩感知（CS）自然图像重建算法，通过结合传统基于优化和最近基于网络的 CS 方法的优点，提出了一种新颖的结构化深度网络 ISTA-Net，并通过端到端学习来训练其所有参数，我们的实验表明，IST-Net 在保持快速计算速度的同时，可以优于现有基于优化和基于网络的 CS 方法。

Jun, 2017

本文提出了一种基于近端梯度方法（G-ISTA）的 L1 正则化协方差矩阵估计方法，它具有线性收敛率和 O (log e) 迭代复杂度，能够有效地用于产生稀疏逆协方差估计量，并探讨了其特性及在数值测试中的表现。

Nov, 2012

本文旨在通过提供收敛所需的全部条件的理论证明，研究在神经网络训练领域中，这种收敛的理论先决条件是否适用。然后，通过在单层神经网络上使用 IRIS 数据集进行实验验证这些条件。

Apr, 2024

从有限的幅度测量数据中恢复未知图像的相位恢复问题是计算成像和图像处理中具有挑战性的非线性逆问题。我们提出的 PRISTA-Net 是一个基于深度展开网络（DUN）和第一阶迭代收缩阈值算法（ISTA）的网络，通过可学习的非线性转换来处理稀疏先验的近端点映射子问题，并利用注意力机制聚焦于包含图像边缘、纹理和结构的相位信息。实验结果表明，该方法在定性和定量评估方面优于现有的最先进方法。

Sep, 2023

本文提出一种基于梯度外推的残差结构具有理论保证和解释能力的 LISTA 算法 (ELISTA)，可用于解决稀疏编码问题，具有线性收敛性，并在实验中实现了验证。

Jun, 2021

本研究提出了一种软阈值剪枝算法，将其重构为使用迭代收缩阈值算法（ISTA）求解的隐式优化问题，并以此推导出优化阈值的最佳调度器及其它剪枝算法，该剪枝算法在 ResNet-50，MobileNet-V1 和 SEW ResNet-18 等图像数据集上表现出卓越的性能。

Feb, 2023