本文论述了在压缩感知中利用信号和测量结构进行体现的主题，并将理论与实践相结合，介绍了新的方向及与传统压缩感知的关系。

Jun, 2011

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

本文提出了一种基于块的压缩感知深度学习算法，通过完全连接网络进行块状线性感知和非线性重建，优化了感知矩阵和非线性重构算子，且在重构质量和计算时间方面优于现有技术。

Jun, 2016

本文研究了压缩感知问题，提出了一种基于二阶锥的优化方法，该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下，求解具有优良效果的稀疏向量，该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差

Jun, 2023

本研究提出了一种基于大规模凸优化的非光滑正则化算法，直接解决了压缩感知 (corrupted compressive sensing) 问题，同时提出了针对各种情况的鲁棒压缩感知算法和简单有效的求解扩展问题的算法，在计算效率和求解难度等方面得到了显著提高，同时在几个压缩感知成像任务上取得了良好的效果。

Nov, 2012

本文提出了一种基于线性动态系统的视频压缩感知恢复框架，将视频恢复问题简化为先从压缩测量中估计 LDS 模型参数，然后重建图像帧。利用 LDS 的低维动态参数和高维静态参数来设计一种新颖的压缩测量策略，它只在每个时刻测量场景的动态部分并随时间累积以估计静态参数，并有效地降低了压缩测量率。经过各种实验验证了方法的有效性，包括视频恢复、感知高光谱数据以及从压缩数据中对动态场景进行分类。

Jan, 2012

本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

May, 2019

本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

Apr, 2014

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

本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

Jul, 2017