- 深度卷积稀疏编码网络用于图像融合
这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务，并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化，从而从数据中学习所有超参数。广泛的实验和综合比较表明，与量化评估和视觉检查相关的所有性能指标中，所提出的网络优越性显著。
- CVPR何时使用卷积神经网络解决反问题
本文介绍求解计算机视觉中的重构问题，阐述了使用卷积稀疏编码与卷积神经网络的优缺点，并提出了卷积稀疏编码可用于解决某些反问题的有效性，通过 JPEG 残留抑制和非刚性轨迹重建的操作，对使用 CSC 方法进行的应用进行了实证和验证，并指出如何将 - 重新思考自然图像的 CSC 模型
本文研究了基于稀疏表示和卷积的稀疏编码模型在图像处理中的应用，提出了与此模型相关的贝叶斯理论，并使用分阶段卷积的前馈网络构建了一个新的模型，用于降噪等任务。实验证明，该模型的性能可以达到与现有技术相当水平，同时使用的参数明显更少。
- CVPR分层卷积稀疏编码的对抗性防御
提出了一种针对对抗攻击的防御方法，基于卷积稀疏编码构建了一个分层的低维准自然图像空间，并引入新颖的稀疏转换层（STL），在输入图像和神经网络的第一层之间高效地投影图像到我们的准自然图像空间中，实现了在对抗环境中的最佳表现。
- ICML在线样本相关字典的卷积稀疏编码
本文提出了一种使用样本依赖性字典而不是共享字典进行卷积的新方法，从而允许捕捉大量的样本依赖性模式，同时保持在线学习效率，实验结果表明该方法比现有的 CSC 算法更快速高效。
- 监督卷积稀疏编码
通过加入监督正则化项来扩展卷积稀疏编码模型并学习具有判别性的字典，从而实现更好的图像重建和更语义相关的字典元素。
- 可扩展的在线稀疏卷积编码
通过在线学习，将卷积稀疏编码（CSC）目标重新表述，并利用交替方向乘子方法（ADMM）求解其优化问题，显著提高了算法训练效率和图像重建性能，同时能够处理更大规模的图像数据集。
- 局部处理的卷积字典学习
本文介绍了基于局部稀疏度量的全局模型，解决了传统基于补丁的稀疏表达的限制，通过操作图像补丁来解决卷积稀疏追踪问题并训练涉及的滤波器，为图像修补和分离问题提供了一种直观的算法。
- 使用无监督多阶段特征学习进行行人检测
本文利用卷积网络模型，采用多阶特征提取，全局形状信息和本地独特的纹理信息相结合以及基于卷积稀疏编码的无监督方法来预训练过滤器，取得了所有主要行人数据集上的最先进和有竞争力的结果，从而解决了行人检测的实际问题。