本文提出了一种名为 MOSAIC 的新型压缩感知框架，采用随机选取的压缩测量值，学习测量范围内的单次通用反演映射，结合了嵌入技术以及注意力机制，避免使用深度网络，并在标准数据集上实现了重建精度的最新进展。

Jun, 2023

本文提出了一种利用高斯混合模型进行压缩感知反演的算法，通过在局部图像块上施加低秩 GMM，迭代更新 GMM 及测量数据的投影矩阵，同时提出了低秩 PLE 算法，在模拟数据和真实数据上取得了较好的重建效果。

Aug, 2015

本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法，用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像，不需要原始图像，也不需要手动设置的图像先验条件，并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。

Jun, 2018

该研究旨在探讨在压缩感知和分解多个结构化信号的更一般问题中，使用凸优化方法恢复低秩和稀疏成分的性能分析，证明了该方法可采用均匀随机选取测量方式恢复低秩和稀疏项。

Feb, 2012

本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

Dec, 2018

本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

Nov, 2023

通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

Jun, 2018

本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

Jul, 2020

本文提出了一种改进深度神经网络逆问题求解器的训练策略，通过使用一种辅助网络来生成对抗样本，并使用 min-max 公式构建稳健的图像重建网络，从而提高了对反重建技术的鲁棒性。通过针对两个不同数据集的压缩感知重建的实验，得出了对训练网络增加扰动的影响在病态和良好的测量矩阵中呈现定性的差异的结论。

Feb, 2020

本文介绍了一种基于 PCA 的新方法，用于估计具有非线性结构的数据的内在维数，该方法利用整个数据集估计其内在维数，并方便增量学习。该方法使用数据的最小覆盖来处理数据集的非线性结构，并通过检查所有小邻域区域的数据方差来确定估计结果。实验结果表明，该方法可以过滤数据中的噪声，并在邻域区域大小增加时收敛到稳定的估计值。

Feb, 2010