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

通过使用卷积神经网络（CNN）实现基于卷积的压缩感知（CS）框架，从而显着提高了图像重建的质量，而不仅仅是重新构建图像块，并基于自适应收缩基础上设计的 CS 重构网络，我们的方法不仅在 PSNR 方面，还在视觉质量方面优于以前的 CS 方法。

Jan, 2018

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

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

提出了一种使用非局部神经网络（NL-CSNet）的新型图像压缩感知（CS）框架，利用测量域和多尺度特征域中的非局部自相似先验知识，旨在改善重构质量。

Dec, 2021

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

本文提出了一种使用非局部先验的 CS 方法，称为 NL-CS Net，通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足，其中重要参数是端对端学习的，并且在自然图像和磁共振成像实验中表现出更好的性能。

May, 2023

提出了一种新颖的自我监督可扩展深度压缩感知方法，称为 SCL 和 SCNet，它不需要 GT，可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能，具有灵活性和泛化能力，可以与最先进的有监督方法竞争。

Aug, 2023

本文提出了一种多尺度深度学习压缩感知卷积神经网络（MS-DCSNet），其利用多尺度小波变换将图像信号转换，然后通过卷积模块在不同尺度上进行块的捕获并直接从多尺度测量重建初始重构图像，并利用多尺度小波卷积技术增强最终重构质量，从而学习多尺度采样和多尺度重构，从而改善重构质量。

Sep, 2018

提出了一种新的内容感知可扩展网络 CASNet，采用数据驱动的显着性检测器评估不同图像区域的重要性，并提出基于显着性的块比率聚合策略进行采样率分配，用联合可学习的生成矩阵生成任何 CS 比率的采样矩阵。同时，CASNet 拥有优化启发式恢复子网络和防止阻塞伪影的多块训练方案，该网络能够联合重建不同采样率采样的图像块。

Jul, 2022