本论文提出了两种基于 Bregman 得分去噪器的 PnP 算法，用于解决 Poisson 反问题，并证明了该方法收敛于明确全局功能的稳定点。

Jun, 2023

本研究提出了一种利用现成去噪器方法解决反问题的替代方法，该方法需要较少的参数调整，通过自动调整参数，可以应对图像去模糊和修复等任务，并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。

Oct, 2017

通过强制使去噪器对特定变换群（旋转、反射和 / 或平移）保持等变性，本研究展示了在插拔式算法中如何提高算法的稳定性和重建质量，并通过理论分析说明了等变性在性能和稳定性上的作用。我们提出了一种简单的算法，通过在算法的每次迭代中对去噪器的输入应用一个随机变换，并对输出应用逆变换，从而使任何现有的去噪器保持等变性。多种成像模式和去噪网络的实验表明，与非等变性的对照算法相比，等变插拔式算法能够提高重建性能和稳定性。

Dec, 2023

利用 Plug-and-Play（PnP）先验在逆问题中的应用日益突出，本研究介绍了 Single-Shot PnP 方法（SS-PnP），使用少量数据解决逆问题，通过将 Single-Shot 近端去噪器集成到迭代方法中，并提出基于保留相关频率的新型函数的隐式神经先验，以获得更好的逼近。

Nov, 2023

本文介绍了一种新的基于 Plug-and-Play 的图像重建方法 Generative Plug-and-Play (GPnP)，其通过使用扩展的先验模型和物理模型来进行样本采样，实验结果表明该方法在稀疏插值和层析重建方面具有鲁棒性和实用性。

Jun, 2023

本文提出了一种新型的 Plug-and-Play 方法，使用半二次分裂作为正则器，将梯度下降步骤实现为由深度神经网络参数化的功能。作者证明了该算法是一个收敛的迭代方案，可应用于各种形式的逆问题，比如去模糊、超分辨率和修复等，达到与最先进的方法相当的性能。

Oct, 2021

通过将 PnP 算法描述为连续随机微分方程的马尔科夫过程，我们揭示了更高层次的 PnP 算法框架，根据相应 SDE 的可解条件，为 PnP 的收敛性提供了统一的理论基础，并发现了一个更弱的条件，即具有 Lipschitz 连续测量函数的有界去噪器，足以保证收敛性，而不需要先前的 Lipschitz 连续去噪器条件。

Apr, 2024

本文介绍了两种算法：PnP-ULA（未调整的 Langevin 算法）和 PnP-SGD（随机梯度下降）, 用于进行具有 Plug & Play 先验的贝叶斯推断，其中深度神经网络去噪算子特别值得注意，同时针对图像去模糊、修复和去噪等标准问题，这些算法可用于点估计和不确定性可视化和量化。

Mar, 2021

插拔式去噪是一种利用现成的图像去噪器解决成像反问题的流行迭代框架。本文提供了关于经典正则化理论的概述，并调查了几种新近的数据驱动方法作为可以被证明收敛的正则化方案。同时，本文还讨论了插拔式算法和其已确立的收敛保证。进一步地，在线性去噪器的基础上，提出了一种新颖的谱滤波技术来控制由去噪器引起的正则化强度，并通过将去噪器的隐式正则化与显式正则化功能关联起来，严格证明了插拔式与线性去噪器的收敛正则化方案。这个理论分析得到了在层析成像的经典反问题中的数值实验的验证。

Jul, 2023

本研究探讨了结合向量近似消息传递算法 (VAMP) 的插件降噪方法，以及对高维旋转不变随机矩阵 A 和 Lipschitz 降噪器，可以精确预测这种 VAMP 方法的均方误差，并在图像恢复和参数双线性估计等应用上进行了演示。

Jun, 2018