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

研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差，从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比，该方法在重建准确性方面有着显著的改进，特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。

Jul, 2018

本研究提出了基于统计压缩感知（SCS）的压缩感知（CS）新框架，探索了基于高斯模型的 SCS，对单高斯模型下的信号进行了深入探究，并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器，提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明，与传统 CS 相比，GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。

Jan, 2011

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

本文主要研究了基于生成模型的压缩感知问题，通过下界分析表明基于 L-Lipschitz 生成模型的压缩感知需要线性测量数至少是 k 乘以对数级别的，同时指出生成模型可以作为一种结构表示方法进行推广。作者还构造了一个具有 ReLU 激活的神经网络模型，其层数为 O (1)，每层的激活函数个数为 O (kn)，且该模型可以表示所有 k 稀疏向量。

Dec, 2019

本文提出了一种新的框架，即容忍近似误差的基于模型的压缩感知（approximation-tolerant model-based compressive sensing），该框架包含了一系列算法，用于稀疏恢复，只需要对模型投影问题进行近似求解，通过图优化技术，将这些算法应用于我们的框架，得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。

Jun, 2014

本文采用统计力学方法分析了基于 L1 范数的信号恢复方案在 1 比特压缩感知中的应用，发现该方案通常具有许多相似恢复准确度的局部最优解，并提出了借鉴空洞方法的近似恢复算法。数值实验表明，在非零元素密度相对较大的情况下，所提出的算法比已有方案具有更好的性能和更低的计算成本。

Jan, 2013

本论文详细介绍了一种新型的压缩感知策略，使用概率方法进行信号重建和最大化信号模型参数，并探讨了不同信号分布的相应相图的渐近分析及最佳重建性能。

Jun, 2012

本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

May, 2019

本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

Aug, 2008