本研究致力于发展一种快速而准确的压缩感知（CS）自然图像重建算法，通过结合传统基于优化和最近基于网络的 CS 方法的优点，提出了一种新颖的结构化深度网络 ISTA-Net，并通过端到端学习来训练其所有参数，我们的实验表明，IST-Net 在保持快速计算速度的同时，可以优于现有基于优化和基于网络的 CS 方法。

Jun, 2017

本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

Jul, 2017

为提高高加速因子下的压缩感知 MRI 图像重构的结构损失，本研究提出了一种基于迭代特征精化模型 (IFR-CS) 的监督模型驱动网络 (IFR-Net)，其具有快速重构速度和保持结构信息的优点，同时探索了基于卷积神经网络 (CNN) 的稀疏性增强去噪模块。

Sep, 2019

本文提出了一种使用非局部先验的 CS 方法，称为 NL-CS Net，通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足，其中重要参数是端对端学习的，并且在自然图像和磁共振成像实验中表现出更好的性能。

May, 2023

提出了一种使用非局部神经网络（NL-CSNet）的新型图像压缩感知（CS）框架，利用测量域和多尺度特征域中的非局部自相似先验知识，旨在改善重构质量。

Dec, 2021

通过深度学习和交互式框架，我们提出了 Controllable Feature Space Network (CFSNet)，可以控制图像的重构结果，实现图像的去噪、保留细节和提高感知质量的平衡

Apr, 2019

该研究提出了一种基于卷积神经网络的图像压缩感知编码框架，使用局部结构采样，并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上，优于现有的压缩感知编码方法。

Feb, 2024

本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

May, 2022

通过使用卷积神经网络（CNN）实现基于卷积的压缩感知（CS）框架，从而显着提高了图像重建的质量，而不仅仅是重新构建图像块，并基于自适应收缩基础上设计的 CS 重构网络，我们的方法不仅在 PSNR 方面，还在视觉质量方面优于以前的 CS 方法。

Jan, 2018

本文提出了一种基于深度学习的视频压缩感知框架，通过学习视频序列和测量帧之间的线性映射或深度全连接网络，获取了比以往方法更好的重建质量和速度，在多个视频序列上的广泛模拟中明确了该方法的优越性能，并对数据集规模和层数对重建性能的影响提出了未来研究的几点思考。

Mar, 2016