该论文提出一种轻量级深度神经网络，基于逐渐回复图像的分层结构和使用循环学习进行深度重构，以达到高质量重构图像的同时降低计算、能源和存储成本，模型的性能优于现有压缩感知算法。

Apr, 2023

提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。

Feb, 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

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

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

提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

Nov, 2018

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

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

本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

May, 2017