本文提出了一种新的大规模 WiFi 感应框架，名为 EfficientFi，通过边缘计算和云计算结合的方式，可以高效地压缩和还原 WiFi 信道信息，实现了准确的无设备人体活动感应，并在智能家居应用中实现了大范围的 WiFi 感应。

Apr, 2022

该论文提出一种轻量级深度神经网络，基于逐渐回复图像的分层结构和使用循环学习进行深度重构，以达到高质量重构图像的同时降低计算、能源和存储成本，模型的性能优于现有压缩感知算法。

Apr, 2023

本研究论文提出了一种用于实时压缩感知网络的轻量级架构，能够在有条纹效应和噪声传输条件下，以相对较少的训练样本高效稳健地完成高光谱图像重建，适用于迷你卫星上使用的推扫式扫描机制。

Apr, 2024

本文提出了一种新的基于循环残差结构约束的图像压缩感知重构方法，称为 R^2CS-NET，该方法可以在适应性在线优化和图像重构中有效地整合在线优化的鲁棒性和深度学习方法的效率和非线性能力。该方法还可以通过利用通道相关性实现彩色图像压缩感知。经过实验验证，该方法具有较高的鲁棒性和泛化能力，可以在现有的深度压缩感知基准测试中表现出色。

Jul, 2022

使用深度学习技术，本文提出了一种新型的频分双工模式下的 CSI 感知和恢复机制 CsiNet，将 CSI 转换为一组最佳表示，具有比现有压缩感知方法更好的重建质量和有效的波束成形增益。

Dec, 2017

本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI，从而提高重建精度、减少存储空间，增强系统可行性，并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制，提供了随后的研究指导。

Jun, 2019

本文提出了一种基于深度学习的实时 CSI 反馈架构 CsiNet-LSTM，通过直接从大规模 MIMO 信道的时变训练样本中学习空间结构和时间相关性，大大提高了恢复质量并改善了压缩比与复杂度之间的权衡。模拟结果表明，CsiNet-LSTM 优于现有的压缩感知和 DL 方法，并且在压缩比减小的情况下具有明显的鲁棒性。

Jul, 2018

本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化的鲁棒性。

Mar, 2022

本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC，该系统通过模型裁剪，低权重分辨率，优化语义星座，以及使用信道状态信息辅助训练等技术，旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明，在低信噪比环境下，该系统可实现高达 40 倍的数据压缩比，而不影响传输性能。

Jul, 2020

提出了一种名为 OrcoDCS 的物联网边缘协调在线深度压缩感知框架，通过利用特别设计的非对称自编码器，降低编码开销、提高重构性能和鲁棒性，实现了对不同物联网设备组和其感知任务的高度灵活性和适应性，同时在训练时间上优于现有的压缩数据聚合方法并为后续应用提供更高性能。

Aug, 2023