- 压缩感知高光谱图像恢复的 gOMP 算法研究
通过数据稀疏化预处理将高光谱图像压缩 2.5 倍，并使用 gOMP 算法进行图像重建，结果表明当像素高度稀疏时，gOMP 算法能够以更高的准确性和更快的收敛速度重建高光谱图像，但与原图相比会降低重建图像的质量。
- MM高光谱成像重建的压缩感知算法比较研究
该研究以超光谱成像为背景，探讨了用于对大量数据进行压缩的压缩感知技术，在压缩图像恢复方面，通过对凸 FISTA/ADMM 和贪婪 gOMP/BIHT/CoSaMP 恢复算法的准确性和性能进行比较研究，发现 gOMP 算法在恢复压缩数据时具有 - MsDC-DEQ-Net：图像压缩感知（CS）的多尺度扩张卷积深度均衡模型（DEQ）
利用 MsDC-DEQ-Net 模型，结合压缩感知和神经网络技术，实现自然图像的重建，同时减少存储需求并提高计算效率，通过多尺度扩张卷积进一步增强了性能。
- 压缩图像扫描显微镜
我们提出了一种新颖的方法，在激光扫描显微镜（LSM）中实现压缩感知，特别是在图像扫描显微镜（ISM）中，采用单光子雪崩二极管（SPAD）阵列探测器。通过利用 SPAD 阵列生成的并行图像，我们改善了对比标准压缩共聚焦 LSM 图像的重构压缩 - 运营支持估算网络
本篇论文介绍了一种新颖的方法 —— 运行支持估计网络（OSENs）来实现支持估计任务，该方法可以学习复杂的非线性关系，用于从压缩感知测量中估计支持和优化算法重建图像。
- 用于压缩感知的动态路径可控深度展开网络
本文提出了一种动态路径可控的深度展开网络，该网络可以根据不同图像情况选择适合的处理路径，并通过不同的性能和复杂性权衡进行精细的调节，从而在压缩感知重建方面取得了优异表现。
- MOSAIC：带有选择性注意力的遮蔽优化图像重建
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。
- 解决线性反问题的复合高斯网络
本文为解决线性反演问题，并提出了两种新的算法：一种是基于复合高斯先验分布的正则最小平方目标函数迭代算法，另一种是对迭代算法的展开得到的深度神经网络。两种算法在断层成像和压缩感知等方面表现优异。
- CVPR递归即所需：朝着高效深度展开网络迈进
本论文提出使用递归来增强深度展开模型的效率，实现消除冗余，减少训练时间和减小可训练参数，并将其应用于 ISTA-Net+ 和 COAST，结果显示递归模型与非递归基线相比，在受限数据集下具有匹配或甚至超过的性能。
- NL-CS Net: 基于非局部先验的图像压缩感知深度学习
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 - CVPR基于优化启发的交叉注意力变换器在压缩感知中的应用
本文提出了一种基于交叉注意力变换器（OCT）的轻量级 Unfolding Framework（OCTUF），它是一个迭代过程，使用优化方法将 ISCA 块和 PGCA 块相结合，实现了良好的压缩感知图像重建性能。
- 视频压缩感知的分层交互重建网络
本文提出了一种新的 Hierarchical InTeractive Video CS Reconstruction Network（HIT-VCSNet）深度网络图像和视频压缩感知方法，通过空间和时间领域中的深度先验共同提取上下文信息，并 - 内存高效且稳健的单调算子学习用于加速并行磁共振成像（MOL）
通过探究单调算子学习 (MOL) 框架在并行 MRI 领域的适用性，本文提出了一种利用单调卷积神经网络 (CNN) 和共轭梯度算法交替迭代来保持数据一致性的并行 MRI 加速方法，并验证了该方法在静态和动态设置下的有效性。
- MM基于记忆增强的深度展开网络在压缩感知中的应用
提出一种新颖的具有持久性记忆的深度展开网络（MADUN）用于压缩感知问题，利用高吞吐量短期记忆和跨阶段长期记忆机制来保持和平衡信息，从而增强网络表示能力和性能，超过现有的最先进方法。
- 使用受限奇异值条件的即插即用先验恢复分析
我们提出了一种基于深度神经网络的方法来建立 PnP/RED 的理论恢复保证，并展示了使用预先训练的去伪影网络进行压缩感知的 PnP 相比最新的生成式模型的压缩感知算法具有更好的恢复性能。
- CVPR深度重建压缩感知显著性骨架引导图像压缩
提出了 AGDL，一种基于深度学习的双层图像压缩系统，用注意力机制识别感知关键像素，利用压缩感知技术进一步采样，进一步提升重构效果，并在感知感受度图像压缩领域取得了最新的进展。
- MM通过顺序信息传递联合进行活动用户检测和信道估计实现大规模随机接入与零散短数据包
本文提出了一种新的基于压缩感知和序列近似传递算法的大规模机器型通信系统的无授权随机接入策略，以提高活动用户检测和信道估计的性能。
- 具有深度生成先验的压缩相位恢复：最优采样复杂度
本文研究了压缩相位恢复问题，提出了利用生成先验知识的算法可以在具有挑战性的非线性反问题中实现优化的样本复杂度，并可以比稀疏性先验知识暴露更少的测量噪声。
- 适用于毫米波智能反射表面的深度去噪神经网络辅助压缩信道估计
本研究提出了一种深度去噪神经网络辅助压缩信道估计方法，在毫米波反射面系统中降低了训练开销，并使用压缩感知方法从有限的测量中重构出完整的信道矩阵，仿真结果表明这种方法优于现有方案。
- 毫米波车联网中基于位置的在线压缩波束码本学习
本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架，有效地获得通道测量值并提供快速波束对准的解决方案。