- 模型适应型傅里叶采样用于生成式压缩感知
研究了当测量矩阵从一个酉矩阵中随机子采样时的生成式压缩感知，提出了一个改进的样本复杂度的模型适应采样策略，利用非均匀随机采样分布提出了新的理论恢复保证，并优化采样分布以最小化所需测量数目，并验证了 CelebA 数据集上的恢复实验的性能。
- MM近似线性时间的半随机稀疏恢复
本文探究了迭代算法在生成模型变化下的韧性，以及一个与之相关的关于稀疏恢复的几何迭代方法，并在自然统计反问题中展示了我们方法的有效性。
- 基于深度自编码器的测量矩阵与稀疏支持恢复方法联合设计
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。
- 压缩感知中正则化 LS 重建和随机矩阵集合的分析
本文分析了在测量矩阵维数增加时，正则化最小二乘估计在噪声压缩感知中的性能。本文考虑了一类随机矩阵，包括标准高斯、行正交、几何和所谓的 T - 正交构造。研究中重点分析基于 l1 范数的正则化，即 LASSO 估计或基 Pursuit 去噪。 - MIMO 雷达的空间压缩感知
通过结构化随机矩阵的特性，我们发展出了一种多输入多输出（MIMO）雷达的稀疏定位框架，使得无需填充全部（奈奎斯特）阵列即可实现与填充阵列相当的性能，并且通过压缩感知恢复算法在性能上超越了经典方法，提供了高分辨率的虚拟阵列口径，同时仅需使用少 - 基于统计物理的压缩感知重建
本文介绍了一种基于概率重构方法、信令传递算法、及结晶成核理论的、能够精确重构低采样率稀疏信号的压缩感知算法，并使用统计物理方法进行了分析和实验验证。
- 正交匹配追踪：布朗运动分析
本文使用正交匹配追踪算法研究了稀疏信号恢复的问题并发现，使用高斯测量矩阵的低噪声情况下，仅需较少的测量次数和无限趋近于 1 的概率即可实现稀疏向量的恢复，该结果还与 lasso 方法的恢复次数相匹配。
- 近似稀疏恢复：优化时间和测量
研究如何构建稀疏恢复系统，以最小化测量矩阵的数量和解码算法的运行时间，给出了一个具有优秀性能的系统，其中测量矩阵的数量与下界相匹配，且解码时间为下界的对数倍。同时还考虑了编码时间、更新时间、算法的鲁棒性和稳定性。
- 几何与组合：稀疏信号恢复的统一方法
本文介绍了稀疏信号恢复的两种算法方法：几何和组合。我们提出了一种统一这两种方法的新方法，通过高质量不平衡扩展器的邻接矩阵来推广受限等距性质的概念，并展示了新的测量矩阵构造和算法，比先前的算法在测量数量或噪声容忍度上具有更好的表现。