本文提出了一种基于自适应感知和分组测试的简单的稀疏信号恢复算法 —— 压缩自适应感知和搜索（CASS）算法，在最低信噪比水平下成功率接近最优，并比以前的自适应压缩感知工作有所提高。相比基于随机非自适应设计矩阵的传统压缩感知，该算法只需要 k log n 个测量数据即可恢复 n 维稀疏信号，要求的 SNR 水平是标准压缩感知要求的 log n 倍。此外，该算法在感知操作的构建和实现以及对重建结果的计算方面，远比标准压缩感知计算量要小得多。经过模拟实验，CASS 在实践中表现得最好。本文还表明，像压缩感知、分组测试和汇聚这样的方法，不仅可以减少测试或测量的数量，而且自适应版本的这些方法还可以在检测和估计性能方面优于非自适应的直接（未压缩）感知。

Jun, 2013

研究了在分布式估计中实现传感器协作的问题，以期找到在信息或能量约束条件下的优化稀疏合作方案，并提出了有效的方法以获得接近最优解。同时探讨了当每个传感器参与估计方案存在成本时的情况，并引入了一种统一的框架来联合设计最佳传感器选择和协作方案。发现在给定估计性能的情况下，存在传感器选择和协作之间的权衡。

Aug, 2014

使用压缩感知和交替方向神经网络技术创建了深度循环自编码器，从稀疏 LiDAR 点集中估计出密集的深度图，并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。

Mar, 2018

本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。

Oct, 2014

本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

Aug, 2015

该文提出了一个数据驱动的方法，使用深度学习中的自动编码器来共同设计复杂稀疏信号的测量矩阵和支持恢复方法，该方法可以有效地利用稀疏性质，具有低计算复杂度，并在设备活动检测中取得了显著的性能提升。

Oct, 2019

本文针对稀疏阵列感测器失效问题，在神经网络和数据驱动方法中使用两种机器学习方法以提高 MRA 的性能，实验结果表明两种方法均可显著改善阵列的性能。

Jun, 2023

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

通过引入协同稀疏恢复（CSR）方法，该研究通过协调模型预测与噪声恢复来减小错误泄露，从而提高模型泛化性能和降低验证偏差。CSR + 是一种基于 CSR 的联合样本选择策略的学习框架，在具有更多类别和高比例实例特定噪声的数据集上表现出显著优势。实验结果证明，CSR 和 CSR + 相比同级别方法，在模拟和真实噪声数据集上都取得了卓越的性能。

Apr, 2024

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