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

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

本文提出了一种动态路径可控的深度展开网络，该网络可以根据不同图像情况选择适合的处理路径，并通过不同的性能和复杂性权衡进行精细的调节，从而在压缩感知重建方面取得了优异表现。

Jun, 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

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

本文提出了一种新的 Hierarchical InTeractive Video CS Reconstruction Network（HIT-VCSNet）深度网络图像和视频压缩感知方法，通过空间和时间领域中的深度先验共同提取上下文信息，并在不同尺度空间中协同地学习不同帧之间的相关性，在图像和视频压缩感知领域中表现出卓越性能.

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

通过使用未经训练的神经网络（UNNs）模拟源结构，我们开发了一种理论框架来表征这些 UNN 方法的性能，同时利用最近提出的袋装深度图像先验（bagged-DIP）思想开发了快照压缩成像（SCI）袋装深度视频先验（SCI-BDVP）算法，在视频 SCI 中实现了最新技术，甚至在噪声测量情况下优于半监督解决方案。

Jun, 2024

本文提出了一种深度展开模型 AMC-Net 来解决视觉图像的压缩感知重构问题，通过展开迭代卷积神经网络来模拟近似消息传递算法的去噪过程，同时集成去块模块以消除在图像压缩感知中经常出现的块状伪影，并联合训练采样矩阵和其他网络参数以提高重构精度。实验结果表明，该方法在重构精度、速度和参数数量等方面均优于其他先进方法。

Apr, 2020

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