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

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

本文基于生成先验提出了解决相位恢复的两种算法，通过分析高斯测量的样本复杂度证明了应用梯度下降算法的性能优于现有的生成先验算法，其中采用 AltMin 法处理非凸稀疏相位恢复问题。

Mar, 2019

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

本研究研究了来自已知先验分布的信号的压缩感知的测量复杂性，即使先验的支撑是整个空间（而不是稀疏向量）。对于高斯测量和信号上的任何先验分布，我们展示了后验抽样估计器可以实现近乎最优的恢复保证，在模型不匹配的情况下，只要分布估计（例如，从可逆生成模型中）与 Wasserstein 距离中的真实分布接近。我们使用 Langevin 动力学为深度生成先验实现了后验抽样估计器，并实验性地发现，它产生的准确估计具有比 MAP 更多的多样性。

Jun, 2021

给定压缩感知方法中使用的生成神经网络提供了更紧密的理论保证

Jun, 2020

本文提出了一种鲁棒且高效的压缩相位恢复方法，通过收集稀疏向量的多个线性测量值的幅值，利用约束感知向量和两阶段重建方法来重构目标信号，在随机不连贯子空间中选择感知向量后，通过低秩恢复阶段和稀疏恢复阶段的策略来准确地估算目标信号，该算法的测量数级别达到 O (k log (d/k))，在数值模拟中得到了验证。

Jul, 2015

通过生成模型的范围，无需使用稀疏性，基于 Lipschitz 连续性，提出了一种新的压缩感知算法。与 Lasso 相比，可以使用更少的测量来获得相同的精度。

Mar, 2017

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