通过使用深度生成先验来规范高度不适定和非线性相位恢复问题的新框架，该框架通过简单的梯度下降算法实现。在实验中，我们展示了该算法在随机高斯测量（在通过散射介质成像时实际相关）和傅里叶友好测量（在光学设置中相关）时的有效性。我们证明了与传统的手工设计先验相比，包括稀疏性和去噪框架，该方法在测量数量和对噪声的鲁棒性方面取得了令人印象深刻的结果。最后，我们展示了所提出的方法在实际应用中对实际传输矩阵数据集的有效性，用于多重散射介质成像。

Aug, 2018

本文研究了压缩相位恢复问题，提出了利用生成先验知识的算法可以在具有挑战性的非线性反问题中实现优化的样本复杂度，并可以比稀疏性先验知识暴露更少的测量噪声。

Aug, 2020

本文探讨了使用具有随机权值矩阵和任意激活函数的全连接深度神经网络作为生成先验的一个集合，进行压缩感知和随机测量矩阵的相位恢复问题的信息理论优化性能和最好已知的多项式算法的锐利渐近性，并发现在这个问题上，生成先验相比于稀疏可分离先验在算法性能方面可能更有优势。特别地，本文得出的结论是，尽管稀疏性无法将压缩相位恢复的性能有效地推至其信息理论限制附近，但在随机生成先验下压缩相位恢复变得可行。

Dec, 2019

本篇论文提出了一种新的相位恢复框架，利用深度生成神经网络建模自然信号，并通过优化经验风险目标来强制执行这个先验，该方法相较于稀疏基于的方法有两个优点：1）深度生成先验可以更紧密地表示自然信号，2）信息熵分析了样本复杂度。

Jul, 2018

本研究使用生成对抗网络（GAN）代替稀疏性等手工先验知识来解决线性反问题，提出了一种有效的 PGD 算法，并提供了理论保证，该算法展现出优于现有方法的性能。

Feb, 2018

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

本研究通过使用分离理论、混沌过程的最大值以及随机循环矩阵的受限等距特性，结合交替最小化方法，研究了通过随机自卷积信号来恢复具有给定内核的未知信号。通过谱初始化和广义梯度下降等方法，我们解决了测量算子中可能存在的依赖问题，并证明当观测次数足够大时，可以高概率地实现全局相移下的有效恢复。

Dec, 2017

研究基于凸松弛算法的相位恢复成像问题，结合信号和观测值的稀疏性、平滑性以及正性，可以加速收敛并提高恢复性能。通过在 PDB 数据模拟的分子成像问题上进行实验验证。

Apr, 2013

本研究提出了一种灵活的凸松弛算法，用于解决相位恢复问题，该算法在信号的自然域中运行，通过简单的凸程序，通过对称 “平板” 所代表的不等式约束来对相位量测进行松弛，找到最佳与给定锚向量对齐的交点极值，通过几何条件来证明算法的成功，证明在最优样本复杂度下几何证书的成功概率高，数值实验表明该方法可以解决编码衍射测量下的相位恢复问题。

Oct, 2016

本文提出了一种新的分裂变量策略并求解二元优化问题的交替梯度下降算法以解决复杂度高的相位恢复问题，与现有算法相比提高了收敛速度和精度。

Aug, 2017