本文提出了一种适用于图像压缩感知的新型 DUN 网络（称为 DUN-CSNet），通过引入内容自适应梯度更新和变形不变的非局部建模，解决了现有 DUN 网络的两个问题，从而实现了更广泛的上下文先验知识的感知，大幅超越了现有的其他压缩感知方法。

Oct, 2023

本文提出了一种新的快速分层深度展开网络（FHDUN）用于图像压缩感知，并通过加速 FISTA 的策略实现超过 50％的迭代次数节约， FHDUN 优于现有的最先进的压缩感知方法，同时保持更少的迭代次数。

Aug, 2022

提出一种新颖的具有持久性记忆的深度展开网络（MADUN）用于压缩感知问题，利用高吞吐量短期记忆和跨阶段长期记忆机制来保持和平衡信息，从而增强网络表示能力和性能，超过现有的最先进方法。

Oct, 2021

本文提出了基于采样先验的深度展开网络（SPA-DUN）用于高效、稳健的视频压缩感知重建。实验表明，SPA-DUN 在各种采样设置下都能取得最先进的性能，具有可解释性和通用性。

Jul, 2023

本文提出了一种基于交叉注意力变换器（OCT）的轻量级 Unfolding Framework（OCTUF），它是一个迭代过程，使用优化方法将 ISCA 块和 PGCA 块相结合，实现了良好的压缩感知图像重建性能。

Apr, 2023

该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。

Apr, 2022

本文提出了一种基于 DUN 的快速高效的快照压缩成像算法，采用 3D-CNN 先验和新型密集特征映射（DFM）策略来更好地利用帧间的时空相关性和解决现有 DUN 中相邻相位信息丢失的问题，同时为了提高网络鲁棒性，还提出了密集特征映射适应（DFMA）模块。最终的实验结果验证了我们方法的优越性。

Sep, 2021

本文提出了一种基于 DUN 框架下的 3D 卷积 - Transformer 混合（CTM）模块，该模块利用 Transformer 的 3D 有效可扩展关注模型充分学习时间和空间维度之间的相关性，并引入方差估计来表征重建过程中的高频信息，实验结果表明该模型在视频 SCI 重建方面取得了最好的表现（比此前的 SOTA 算法 PSNR 提高了 1.2dB）。

Jun, 2023

通过使用二阶梯度信息和金字塔注意力模块以及多尺度拆分变换器，我们提出了一种 “泛加速半二次拆分” 算法，用于 MRI 压缩感知图像加速处理，并在大量实验中验证了该方法的有效性。

Apr, 2023

提出了一种用于全能视频修复的交叉一致深度展开网络（CDUN）方法，通过使用单一模型来移除各种不同的退化，包括一个新颖的迭代优化框架和适应性处理各种退化的序列自适应退化估计器（SADE），以及利用窗口化的帧间融合策略来扩大时域接受野和利用远距离帧的信息，该方法在全能视频修复方面取得了最先进的性能。

Sep, 2023