通过在线学习，将卷积稀疏编码（CSC）目标重新表述，并利用交替方向乘子方法（ADMM）求解其优化问题，显著提高了算法训练效率和图像重建性能，同时能够处理更大规模的图像数据集。

Jun, 2017

通过加入监督正则化项来扩展卷积稀疏编码模型并学习具有判别性的字典，从而实现更好的图像重建和更语义相关的字典元素。

Apr, 2018

本文研究了基于稀疏表示和卷积的稀疏编码模型在图像处理中的应用，提出了与此模型相关的贝叶斯理论，并使用分阶段卷积的前馈网络构建了一个新的模型，用于降噪等任务。实验证明，该模型的性能可以达到与现有技术相当水平，同时使用的参数明显更少。

Sep, 2019

本文介绍了基于局部稀疏度量的全局模型，解决了传统基于补丁的稀疏表达的限制，通过操作图像补丁来解决卷积稀疏追踪问题并训练涉及的滤波器，为图像修补和分离问题提供了一种直观的算法。

May, 2017

本研究提出了一种新的解释卷积神经网络的模型，即多层卷积稀疏编码模型，并解决了该模型展开等问题，进而把该模型用于无监督学习中的不同应用中，取得了有竞争力的结果。

Aug, 2017

提出了一种新的多层模型，ML-CSC，其信号被假定为从一系列 CSC 层中出现。CNN 的前向传递实际上是服务于 ML-CSC 模型的阈值追踪，将 CNN 与 ML-CSC 模型紧密联系起来，为 CNN 带来了新的视角，同时也提出了一个与去卷积网络相关的前向通道替代方案，具有更好的理论保证。

Jul, 2016

我们提出了一种基于卷积循环稀疏自编码器模型，采用了一种简单的方法学习任务驱动的稀疏卷积字典，通过梯度下降和反向传播进行训练，取得与 KSVD 图像去噪和领先的 CSC 方法相竞争的结果，且仅需要他们运行时间的一小部分。

Nov, 2017

这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务，并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化，从而从数据中学习所有超参数。广泛的实验和综合比较表明，与量化评估和视觉检查相关的所有性能指标中，所提出的网络优越性显著。

May, 2020

本文介绍卷积稀疏表示作为一种稀疏表示的形式，其字典结构相当于一组线性滤波器的卷积。虽然最近已经开发出有效的算法来解决卷积稀疏编码问题，但相应的字典学习问题更加具有挑战性。此外，虽然已经提出了许多不同的方法，但缺乏彼此之间的彻底比较，使得很难确定哪个方法代表了当前的技术水平。本文既解决了这个缺陷，同时还提出了一些在某些环境下胜过现有方法的新方法。一组彻底的性能比较表明，现有和提出的方法之间存在着非常大的性能差异，并明确确定了最有效的方法。

Sep, 2017

本文研究了一种名为 SISC 的移不变稀疏编码学习算法，通过迭代求解两个大型凸优化问题，其能够在给定无监督数据的情况下，通过将每个输出表示为一组基函数的稀疏线性组合，学习输入的简洁高级表示。研究发现，使用 SISC 算法学习到的高级表示对语音和音乐分类任务具有良好的分类性能。

Jun, 2012