研究了在存在 Lipschitz 连续生成模型的情况下，从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明，非一致恢复保证在 i.i.d. 下成立，并且这种方案可以抵抗对抗性噪声，同时经过推广，可以适用于神经网络生成模型和其他测量模型。

Jun, 2020

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

本文提出了一种非线性观测下基于单指数模型和连续型生成模型的信号方向估计方法，具有高效、不迭代的优点，并且在测试中表现优于迭代方法。

May, 2022

通过生成模型的范围，无需使用稀疏性，基于 Lipschitz 连续性，提出了一种新的压缩感知算法。与 Lasso 相比，可以使用更少的测量来获得相同的精度。

Mar, 2017

本文主要研究了基于生成模型的压缩感知问题，通过下界分析表明基于 L-Lipschitz 生成模型的压缩感知需要线性测量数至少是 k 乘以对数级别的，同时指出生成模型可以作为一种结构表示方法进行推广。作者还构造了一个具有 ReLU 激活的神经网络模型，其层数为 O (1)，每层的激活函数个数为 O (kn)，且该模型可以表示所有 k 稀疏向量。

Dec, 2019

本研究旨在针对高维信号恢复问题，提出了基于修正线性单元的一比特和均匀多比特量化的凸规划算法，在线性测量过程中添加设计良好的噪声，从而获得最优近似重构保证，并证明了该算法对位坏的鲁棒性。其中，Dirksen 和 Mendelson 对非高斯超平面镶嵌的最新结果作为证明依据。

Nov, 2019

研究表明，在压缩感知中，如果将稀疏性假设替换为未知向量接近某个合适选择的生成模型的范围，则所需测量的数量可能显著减少。本文使用极小化统计分析工具，建立了与上界对应的算法无关样本复杂性下界。我们证明，除非有进一步的假设，否则 (Bora et al.，2017) 中得出的定律是最优的或接近最优的，其中生成模型是 L-Lipschitz 函数和有界 k 维输入，或者是具有深度 d 和宽度 w 的 k 输入 ReLU 网络。

Aug, 2019

在本文中，我们探讨了量化线性测量的恢复问题，提出使用量化仿射测量可更好地保留信号的范数信息，并在一定条件下更容易实现稀疏信号的恢复，并可以在已知半径的欧几里得球内成功地估计所有这些稀疏向量的范数。

Apr, 2014

本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

Aug, 2008

本文使用经验过程的工具，在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明，使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。

Jun, 2013