该论文介绍了一种贝叶斯框架图像反演方法，通过导出一种与正则化去噪（RED）范式相对应的概率模型实现。同时，还实现了一种针对得到的后验分布进行采样的蒙特卡罗算法，其基于渐近精确的数据增广（AXDA）。该算法是分裂吉布斯采样（SGS）的近似实例，嵌入了一个 Langevin 蒙特卡罗步骤。该方法被应用于常见的图像处理任务，如去模糊、修复和超分辨，通过广泛的数值实验证明了其有效性。这些贡献通过在概率框架内利用数据驱动的正则化策略推进了图像处理中的贝叶斯推断。

Feb, 2024

本文提出了一种自然图像先验，直接代表了自然图像分布的高斯平滑版本，包括在基于 Bayes 估计量的图像恢复公式中，可用于解决噪声失真的图像恢复问题，利用去噪自编码器学习均值漂移向量场，再应用于 Bayes 风险最小化的梯度下降法，成功实现了媲美竞争者的噪声盲去模糊、超分辨率和去马赛克结果。

Sep, 2017

本文提出了一种新的压缩伪影降低的后处理技术，该方法利用图像去噪算法作为正则化项，通过 ADMM 求解广义逆问题，进而获得高质量的压缩图像。该方法适用于各种基于变换编码的压缩技术，如 JPEG，JPEG2000 和 HEVC 等。

Oct, 2015

本研究提出了多编码深度图像滤波方法，可避免过拟合问题并在图像去噪和 CT 重建问题中表现卓越。

Apr, 2023

本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化，实现解决逆问题的目的，并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中，以便更好地应对各种相关低级视觉应用，实验结果表明，学习到的去噪器不仅在高斯去噪方面效果显著，而且可以作为先验信息，在各种低级视觉任务中也取得了良好的性能表现。

Apr, 2017

本文提出一种基于 ADMM 的快速图像恢复算法，该算法支持基于小波或总变差正则化的形式，并已在一系列图像恢复基准问题上证明其优于现有最先进方法。

Oct, 2009

本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

Jun, 2019

本研究提出了两种新的基于优化驱动的蒙特卡罗算法，通过变量分割和数据增强来获得更快、更高效的采样方案，并且生成的样本可用于近似贝叶斯估计。此外，所提出的方法可以用较低成本的方式提供置信区间。两个经常研究的信号处理问题的模拟结果显示了这两种采样器的性能，这些结果与使用最新的优化和 MCMC 算法解决这些问题所获得的结果进行了比较。

Apr, 2018

提出了 vSHARP，一个基于深度学习的方法，用于解决医学成像中的病态反问题，通过半二次变量分离方法和交替方向乘子法进行优化，同时利用 U-Net 架构等技术来提高图像质量。在加速平行 MRI 重建任务上进行的实验结果表明，vSHARP 具有卓越的性能。

Sep, 2023

本文提出一种基于无监督学习的生成扩散先验（GDP）方法，采用预训练的去噪扩散生成模型（DDPM）来有效地建模后验分布，并通过优化去噪过程中的退化模型参数来实现盲图像恢复，进一步采用分层引导和基于块的方法，使 GDP 能够产生任意分辨率的图像。实验结果表明，GDP 在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法，在各种任务和各种图像大小的数据集上都表现良好。

Apr, 2023