本文研究探讨了将稀疏信号从量化压缩测量中重构出来的方法，该方法不论量化分辨率从 1 比特到高分辨率都适用，并通过广义化迭代硬阈值（IHT）算法及其二进制变体（BIHT）来实现，能较好地保持重构信号在量化模型相一致。同时，通过与其他方法（如 IHT，基 Pursuit Denoise）在几种量化场景下的比较，评估了该算法（简称 QIHT）的性能。

May, 2013

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

提出了一种新的方法，称为二元融合压缩感知（BFCS），用于从 1 比特压缩测量中恢复稀疏的分段平滑信号。与以前的二元迭代硬阈值（BIHT）算法类似，该算法在稀疏约束的基础上，还将恢复的信号的总变化程度上限约束。实验表明，相比于 BIHT，所提出的算法能够利用原始信号的分段平滑性，实现更精确的恢复。

Feb, 2014

该论文研究了利用压缩感知技术来减少模数转换器的采样率，着重探讨了只捕捉信号符号的 1 比特压缩感知技术，提出了能在噪声较小及容易受干扰的情况下实现逆向恢复的二进制 ε- 稳定嵌入特性，并引入了适用于 1 比特采样的算法 —— 二进制迭代硬阈值算法，提高了采样性能。

Apr, 2011

本文研究了硬阈值算子，建立了一种紧致的理论界限，用于量化阈值处理后的信号与原始信号偏差的范围。研究结果在压缩感知和机器学习方面均具有应用，特别是在数据采集程序中允许使用更多种类的感知矩阵或更少的测量，并提出了一种随机算法来确保产生稀疏的解。

May, 2016

本文介绍了在高维环境下，使用 M-estimators 在广义线性回归模型中需要风险最小化，并提出了第一个 IHT 样式算法在高维统计学中的分析框架，这对于稀疏回归和低秩矩阵恢复等问题具有实际应用价值。

Oct, 2014

该研究利用生成模型替代稀疏性假设，研究带生成模型的 1 位压缩感知问题。在此基础上结合高斯测量和具有 Lipschitz 连续生成先验的近似恢复，应用于神经网络生成模型，并与基于稀疏性的方法进行了比较，证实了其有效性。

Feb, 2020

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

本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的，即同样的测量方案可同时适用于所有稀疏向量，并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。

May, 2017

本文通过随机线性测量得到的 O (s log^2 (n/s)) 个标志位，利用线性规划，从稀疏向量中精确恢复出 s-sparse 向量 x，进而将结果推广到了近似稀疏的向量 x。文章以解决随机超平面填充的等效几何问题为基础，并且该方法几乎是最优解。

Sep, 2011