本文提出了一种新的框架，即容忍近似误差的基于模型的压缩感知（approximation-tolerant model-based compressive sensing），该框架包含了一系列算法，用于稀疏恢复，只需要对模型投影问题进行近似求解，通过图优化技术，将这些算法应用于我们的框架，得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。

Jun, 2014

本文提出了一种利用高斯混合模型进行压缩感知反演的算法，通过在局部图像块上施加低秩 GMM，迭代更新 GMM 及测量数据的投影矩阵，同时提出了低秩 PLE 算法，在模拟数据和真实数据上取得了较好的重建效果。

Aug, 2015

本文提出了一种基于自适应感知和分组测试的简单的稀疏信号恢复算法 —— 压缩自适应感知和搜索（CASS）算法，在最低信噪比水平下成功率接近最优，并比以前的自适应压缩感知工作有所提高。相比基于随机非自适应设计矩阵的传统压缩感知，该算法只需要 k log n 个测量数据即可恢复 n 维稀疏信号，要求的 SNR 水平是标准压缩感知要求的 log n 倍。此外，该算法在感知操作的构建和实现以及对重建结果的计算方面，远比标准压缩感知计算量要小得多。经过模拟实验，CASS 在实践中表现得最好。本文还表明，像压缩感知、分组测试和汇聚这样的方法，不仅可以减少测试或测量的数量，而且自适应版本的这些方法还可以在检测和估计性能方面优于非自适应的直接（未压缩）感知。

Jun, 2013

将压缩传感和矩阵补全方法与健壮谱聚类相结合，用来解决多类聚类问题，并分析研究压缩传感和矩阵补全等方法对相似度矩阵产生的影响。

Nov, 2010

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

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

本文探讨压缩感知技术中的迭代硬阈值算法的理论分析，证明该算法具有近乎最优的误差保证、鲁棒性、最小的观察数、可用于任何可计算其算符和伴随算符的采样算子、线性问题大小的内存要求、迭代计算复杂度与测量算子或其伴随算子的应用次序相同、仅取决于信号信噪比的形式的对数的一种形式的迭代次数、性能保证仅取决于采样算子和信号稀疏性的特性。

May, 2008

该研究以超光谱成像为背景，探讨了用于对大量数据进行压缩的压缩感知技术，在压缩图像恢复方面，通过对凸 FISTA/ADMM 和贪婪 gOMP/BIHT/CoSaMP 恢复算法的准确性和性能进行比较研究，发现 gOMP 算法在恢复压缩数据时具有较高的准确性和快速恢复，但相对于其他算法而言，对待恢复数据的稀疏性水平的依赖较高。

Jan, 2024

本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

Dec, 2018