本文提出两种基于神经网络的新型架构，通过 Onsager 校正来解决稀疏线性反演问题， 并应用于 5G 无线通信领域的两个问题，分别是压缩式随机接入和大规模 MIMO 信道估计。

Dec, 2016

本文提出了一种 CNN 架构用于去除带彩色高斯噪声的图像噪声，并结合 VDAMP 算法，该算法的有效噪声遵循可预测的彩色高斯分布，应用于可变密度采样压缩 MRI，其性能明显优于现有技术。

Oct, 2020

本文提出了一种新的方法 SCP-AMP 来解决 LDAMP 算法在高维图像重构和细节修复方面存在的问题，SCP-AMP 采用离散余弦变换稀疏策略和系数置换策略来避免块效应，并使用 DCT 领域噪声校正和像素域去噪来进行迭代重构，还使用了多级深度注意力网络（MDANet）来增强纹理细节，实验表明 SCP-AMP 方法在视觉感知和客观指标上都优于其他最先进的 BCS 算法。

May, 2023

本文提出了一种深度展开模型 AMC-Net 来解决视觉图像的压缩感知重构问题，通过展开迭代卷积神经网络来模拟近似消息传递算法的去噪过程，同时集成去块模块以消除在图像压缩感知中经常出现的块状伪影，并联合训练采样矩阵和其他网络参数以提高重构精度。实验结果表明，该方法在重构精度、速度和参数数量等方面均优于其他先进方法。

Apr, 2020

该论文提出了一种名为 Denoising-based AMP (D-AMP) 的算法，可以集成各种去噪算法来优化压缩感知重构算法，并且通过分析理论特征，分析出 D-AMP 表现出色的原因在于其迭代中运用适当的 Onsager 校正项将信号扰动与去噪器设计目标接近，同时在自然图像高性能去噪器的辅助下加速十几倍，具有先进的 CS 重建性能。

Jun, 2014

本文提出了一种新颖的神经网络架构，通过 Onsager 校正的方式在层间解耦预测误差，以应用深度学习于稀疏线性反问题中，数值实验表明，与 Gregor 和 LeCun 的 “learned ISTA” 网络相比，我们的 “Learned AMP” 网络在精度和复杂性方面均有显著提高。

Jul, 2016

本篇文章介绍了一种更有效且更快的压缩成像算法，其中将近似消息传递 (AMP) 框架和基于小波的图像去噪器相结合，提供了两种压缩成像算法 (AMP-ABE 和 AMP-Wiener)，并通过数值实验验证了它们在运行时间和重建质量方面的性能优于现有算法。

May, 2014

本文提出了一种基于 AMP-3D-Wiener 算法的压缩高光谱成像重建技术，在压缩感知成像方法下，利用 CASSI 系统对高光谱三维数据进行快速采集和重建，在过去较广泛使用的算法中表现出更优异的性能。

Jul, 2015

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络，可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果，表明即使接收机装备较少的 RF 链路数，LDAMP 神经网络也可以显著优于现有的压缩感知算法，从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。

Feb, 2018