Deep Unfolding: Recent Developments, Theory, and Design Guidelines

优化方法在信号处理中起着核心作用，是推理、估计与控制的数学基础。传统的迭代优化算法虽然具有良好的可解释性和理论保障，但往往依赖于代理目标函数，需要仔细调节超参数，并且存在较高的计算延迟。相比之下，机器学习（ML）提供了强大的数据驱动建模能力，但在用于以优化为核心的推理任务时，缺乏所需的结构化设计、透明性以及计算效率。近年来，深度展开（deep unfolding）作为一种富有前景的框架应运而生，通过将迭代优化算法系统性地转化为结构化的可训练机器学习架构，有效弥合了上述两种范式之间的鸿沟。本文以教程形式综述了深度展开的基本思想，提出了将优化求解器转换为机器学习模型的统一视角，并深入探讨了其在概念上、理论上和实践中的重要意义。我们首先回顾了面向推理与学习的优化方法基础，继而介绍了四种具有代表性的深度展开设计范式，并讨论了由其迭代特性所引发的独特训练策略。此外，本文还总结了近年来在理论方面的进展，这些进展为展开型优化器的收敛性与泛化能力提供了理论保证；并通过定性比较与实证研究，展示了不同方法在复杂度、可解释性和鲁棒性等方面的权衡关系。

传统迭代优化算法在信号处理中虽然具有理论保证和可解释性，但依赖代理目标、需要精细的超参数调优且计算延迟较高；而纯机器学习方法虽具备强大的数据驱动建模能力，却缺乏优化所需的结构化设计与效率。论文试图解决如何融合经典优化与数据驱动模型之间的鸿沟，以构建兼具效率、可解释性和高性能的优化框架——这是一个长期存在但尚未完全解决的重要问题。

提出并系统阐述‘深度展开（deep unfolding）’这一范式，将迭代优化算法中的每一步展开为可训练的神经网络层，从而将传统优化求解器转化为结构化的深度学习架构。其核心创新在于保留原始算法的动态结构（如梯度步骤、变量更新顺序），同时通过数据驱动的方式学习潜在参数（如步长、正则系数），实现性能提升与加速收敛。相比现有方法，该思路兼具模型可解释性与学习灵活性，是连接经典优化与深度学习的桥梁。

论文以教程形式提供了统一视角下的深度展开方法论综述，归纳了四种代表性设计范式，并讨论了针对展开模型的特殊训练策略（如截断反向传播、中间监督）。理论部分总结了最新的收敛性与泛化性分析进展。实验部分进行了定性与定量比较，展示了不同展开架构在复杂度、鲁棒性和推理速度上的权衡。虽然本文为综述性质，未提出单一新模型，但其系统性梳理极具指导意义，文中提及的多数方法已在通信、医学成像等领域开源实现（如LORIS、DeepOAMPNet等代码库）。未来值得深入研究方向包括：展开模型的泛化理论、自动架构搜索、以及在在线学习与强化学习中的应用。

1. Learning to Optimize: A Primer and A Benchmark 2. Neural Networks as Dynamical Systems 3. Deep Unfolding for Communications Systems: A Survey 4. ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive Sensing 5. Learned D-AMP: Principled Neural Network based Compressive Image Recovery 6. OAMP-Net: Interpretative Deep Learning Architecture for Compressive Sensing 7. Proximal Recurrent Inverse Problems (PRIP) with Application to Computational Imaging