- 基于电阻存储的高效精确神经场重建
我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建，软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩；硬件层面上，设计了一种基于可变电阻存储器的计算内存（CIM）平台，其中包括高斯编码器（ - 流式多元时间序列的零延迟一致信号重建
通过学习多变量时序数据的时空依赖关系，利用递归神经网络以确保一致性，本研究提出了一种从数据流中一致重建量化间隔的方法。实验证明，相比非一致重建方法，我们的提议方法在采样率方面具有有利的误差率衰减效果。
- 基于皮层启发的 ReD-SOM 模型修复受损信号模态学习
通过结合变分自动编码器、自组织映射和赫布连接在统一的 ReD-SOM（Reentering Deep Self-organizing Map）模型中，模拟和利用人脑中现象类似的 McGurk Effect，从而恢复丢失的数据模态并提高信号重 - 高斯过程去卷积
本文旨在探讨退卷积问题及其在高斯过程先验下的贝叶斯非参数解决方法，分析退卷积问题反问题的可行性条件及盲退卷积情形下滤波器学习的可行性并对结果进行实际数据验证。
- 充分统计量内存近似传递算法
本文提出了一种新的算法 SS-MAMP 来解决 Approximate message passing 算法在迭代过程中的收敛问题，在满足充分统计条件的情况下保证了算法的收敛和正交性。
- 正交 / 向量 AMP 的收敛性：长记忆传递策略
该研究论文证明了 Bayes-optimal 正交 / 向量 AMP 在大系统极限下的收敛性，并通过新的统计解释证明了 Bayes-optimal LM-MP 状态演化递归的收敛性，因而证明了 Bayes-optimal 正交 / 向量 A - 广义记忆近似信息传递
提出了一种通用广义记忆近似消息传递（GMAMP）框架，包括现有的正交 AMP/VAMP、GVAMP 和 MAMP 作为特殊实例，并构建了一种基于低复杂度记忆线性估计器的贝叶斯最优 GMAMP（BO-GMAMP）算法，可用于 GLM 信号重构 - 使用一位量化的深度信号恢复
本文探讨了使用深度展开技术以及基于模型的机器学习方法来解决从一位噪声测量中恢复信号的问题，并将推理优化算法的迭代展开成深度神经网络的层，获得了高精度和更高的计算效率。
- Noise2Noise: 没有清洗数据的学习图像恢复
本文通过基础的统计推理，发现仅通过研究受损样本可以学习恢复图片，无需外部信息，仅基于含噪数据一个模型能解决多种图像重建问题，包括消除照片噪点和去噪等。
- ICCV基于敌对网络的 RGB 空间上下文感知光谱图像重建
本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。
- 多层广义线性估计
本文应用统计物理的标准方法，提出了多层近似信息传递算法来重构一个信号从多层（可能是非线性的）测量中，并推导出相关的状态演化方程来分析其性能。文中还介绍了一些这种测量模型在压缩感知、结构化矩阵 / 模式下的感知器学习以及自编码器中潜变量估计的 - 非线性观测下具有一般凸损失函数的结构信号的高维估计
本研究提出了一个通用且统一的信号重构框架，可以解决高维信号重构中的各种挑战，包括计算感知、信号处理和统计学习等领域，特别是对于不确定的模型不准确性，我们提供了进一步证据，解释为何许多标准估计器在实践中表现出奇异的性能表现。其中我们证明，如果 - 使用种子节点从渗流中重构图信号
本文提出了一些新的方案来恢复定义在图的节点上的信号，研究了使用图滤波器将稀疏的信号渗透到整个图中以实现已知图信号的重构问题，并探讨了在噪声环境下的不完善重构情况。
- 用贝叶斯方法对一位压缩感知进行信号重建
本文提出了一种贝叶斯方法来解决 1 比特压缩感知问题的信号重建，并使用统计力学分析了其性能。其中，利用信念传播算法进行信号重建的数值实验结果与理论分析结果一致。
- 量化迭代硬阈值：连接 1 位和高分辨率量化压缩感知
本文研究探讨了将稀疏信号从量化压缩测量中重构出来的方法，该方法不论量化分辨率从 1 比特到高分辨率都适用，并通过广义化迭代硬阈值（IHT）算法及其二进制变体（BIHT）来实现，能较好地保持重构信号在量化模型相一致。同时，通过与其他方法（如 - 基于稀疏向量二进制稳定嵌入的鲁棒 1 位压缩感知
该论文研究了利用压缩感知技术来减少模数转换器的采样率，着重探讨了只捕捉信号符号的 1 比特压缩感知技术，提出了能在噪声较小及容易受干扰的情况下实现逆向恢复的二进制 ε- 稳定嵌入特性，并引入了适用于 1 比特采样的算法 —— 二进制迭代硬阈