仅最小二乘：低生成内维数的二元压缩采样

@第{交2021JustLS条，title={仅最小二乘：低生成内维数的二进制压缩采样}，作者={焦裕玲、李定伟、刘敏、吕锡良、杨媛媛}，journal={科学计算杂志}，年份={2021}，体积={95}，页数={1-14}，网址={https://api.semanticscholar.org/CorpusID:244714109}}
理论表明，广泛的数值模拟和与最新方法的比较表明，最小二乘解码器对噪声和符号翻转具有鲁棒性。
Springer上的视图
[PDF]语义阅读器

2引文

非线性生成压缩传感中均匀信号恢复的统一框架

建立了一个统一的框架来推导观测模型为非线性且可能不连续或未知的非线性GCS的一致恢复保证，并引入了处理不连续观测模型的Lipschitz近似。

反问题深度学习方法的理论透视

本文综述了深度学习方法在反问题（如去噪、压缩感知、修复和超分辨率）中应用的一些突出理论发展，尤其侧重于生成性先验、未经训练的神经网络先验和展开算法。

63参考文献

基于基数约束最小二乘的二进制测量稳健解码

提出了基数约束最小二乘法作为期望的译码器，并证明了在常数$c$范围内，所提出的译码器实现的最小最大估计误差可达$m\geq\mathcal{O}（s\logn）$。

具有非线性观测和生成先验的广义Lasso

本文提供了一个非一致恢复保证，并证明了在所谓的局部嵌入性质的假设下，该结果可以推广到一致恢复保证中，该假设由1位和删失Tobit模型所满足。

基于ReLU生成网络的稳健一位恢复：近最优统计速率和全局景观分析

证明了当网络较浅时，该新框架中的ERM估计实现了$m=\widetilde{\mathcal{O}}（kn\log d/\varepsilon^2）$一致恢复任意$G（x_0）$的统计速率，直至误差$varithm因子$。

生成先验下的相位恢复

本文提出了一种新的相位恢复框架，该框架将自然信号建模为深度生成神经网络范围内的信号，并通过优化生成器域上的经验风险目标直接实现这一先验，并证实了在相位检索任务中利用生成模型的性能优于稀疏相位检索方法。

具有生成先验的1位压缩感知和二进制稳定嵌入的样本复杂度界

研究表明，对于具有足够多高斯测量值的Lipschitz连续生成模型的1位压缩传感，表征重构对测量误差和噪声鲁棒性的二进制稳定嵌入特性也适用。

使用稀疏压缩感知矩阵的鲁棒支持恢复

这里显示了O（max{k log（n−k），k log k}）非自适应线性测量足以恢复任何不超过k个非零项的未知n维向量的支持，并且所建议的程序在采集和推断方面最多需要O（n log n）个总操作。

稳健的1位压缩感知和稀疏Logistic回归：一种凸规划方法

结果表明，使用简单的凸程序可以从m=O（s log（n/s）单位测量值中准确估计-稀疏信号in，并且相同的凸程序适用于几乎所有链接函数未知的广义线性模型。

基于稀疏向量二进制稳定嵌入的鲁棒1位压缩感知

本文研究了一种替代的CS方法，该方法将重点从采样率转移到每次测量的位数，并引入二进制迭代硬阈值算法，用于从1位测量值重建信号，该算法具有最先进的性能。

一位压缩传感的弹球损失最小化：凸模型和算法

随机生成先验下压缩感知的一种显著收敛方案

提出了一种梯度下降方案，并证明了对于模型范围内的信号的噪声压缩测量，该算法通过计算效率高的算法收敛到该信号，直到噪声水平，即生成先验下压缩传感的第一恢复保证。
...