部分高斯循环矩阵和生成式先验的鲁棒性 1 位压缩感知
该研究利用生成模型替代稀疏性假设，研究带生成模型的 1 位压缩感知问题。在此基础上结合高斯测量和具有 Lipschitz 连续生成先验的近似恢复，应用于神经网络生成模型，并与基于稀疏性的方法进行了比较，证实了其有效性。
Feb, 2020
该论文研究了利用压缩感知技术来减少模数转换器的采样率，着重探讨了只捕捉信号符号的 1 比特压缩感知技术，提出了能在噪声较小及容易受干扰的情况下实现逆向恢复的二进制 ε- 稳定嵌入特性，并引入了适用于 1 比特采样的算法 —— 二进制迭代硬阈值算法，提高了采样性能。
Apr, 2011
本文提出了一类基于确定性序列构建的循环矩阵，用于卷积压缩感知。这些矩阵可以处理时间，频率和离散余弦转换（DCT）域内的稀疏信号， 并研究了统一恢复和非统一恢复的情况。
Oct, 2012
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
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
本研究旨在针对高维信号恢复问题，提出了基于修正线性单元的一比特和均匀多比特量化的凸规划算法，在线性测量过程中添加设计良好的噪声，从而获得最优近似重构保证，并证明了该算法对位坏的鲁棒性。其中，Dirksen 和 Mendelson 对非高斯超平面镶嵌的最新结果作为证明依据。
Nov, 2019
本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的，即同样的测量方案可同时适用于所有稀疏向量，并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。
May, 2017
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