本文讨论了 Plug-and-Play ADMM 算法在图像还原中的表现，并通过将去噪器限制为图滤波器类下的线性假设，提出了等价 MAP 优化存在的条件、表明了性能增益是由于 PnP prior 的固有预去噪特性以及提出了通过共识平衡概念的新分析技术，并为涉及多个先验的问题提供了解释。

Aug, 2018

本研究通过将基于模型的变分重建与独立学习的深度神经网络操作器（DNN）应用到 ADMM 插拔框架中，研究了混合 PET 重建算法。在优化方面的最新结果基础上，通过对网络参数进行额外约束来实现方案的不动点收敛。我们提出了这样的 ADMM 算法，并在一个真实的 [18F]-FDG 合成脑检查中展示了该方案确实实验性地收敛到一个有意义的不动点。当没有在 DNN 的学习过程中强制执行所提出的约束时，实验观察到所提出的 ADMM 算法没有收敛。

Oct, 2023

基于解释卷积神经网络先验为最小均方误差（MMSE）降噪器的理论解析，论文对 PnP-ADMM 的稳定性进行了解释，并通过对非扩展 DnCNN 降噪器和扩展 DRUNet 降噪器之间性能差距的数值评估，进一步验证了使用扩展卷积神经网络的动机。

Nov, 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

本文介绍了一种名为 Plug-and-play（PnP）的非凸架构，它将现代去噪先验（如 BM3D 或基于深度学习的去噪器）集成到 ADMM 或其他近端算法中。我们在不使用缩小步长的情况下理论上建立了 PnP-FBS 和 PnP-ADMM 的收敛性，提出了实际谱标准化的技术，以满足所提出的 Lipschitz 条件，最后通过实验结果验证了理论的有效性。

May, 2019

本文针对图像科学中广泛使用的一类优化问题，基于 ADMM 算法，通过使用通用的双重步长方法、构建特殊的潜函数以及采用简单的初始化策略实现了非凸优化问题全局收敛和解决，并在实际应用中进行了比较实验，表明最优化效果良好。

Jun, 2015

本文针对解决计算机视觉和机器学习应用中涉及到的非可微目标函数和约束的优化问题所采用的交替方向乘子法，提出了一种自适应的松弛 ADMM（ARADMM）方法，旨在通过自动调节关键算法参数，实现最佳性能而无需用户监管。通过对 ARADMM 进行详细的收敛性分析，并在几个应用实例上展示了其快速实际收敛性能。

Apr, 2017

提出快速近端改进增广拉格朗日方法 Fast PALM 和快速近端交替方向乘子方法 Fast PL-ADMM-PS 用于解决凸规划问题，成果表明与传统方法相比，算法具有更好的收敛速度和迭代复杂度.

Nov, 2015

该研究分析了 ADMM 算法在解决一些非凸共识和共享问题时的收敛性，发现当增广拉格朗日乘数的惩罚参数足够大时，经典 ADMM 算法会收敛到静止解的集合。对于共享问题，我们发现 ADMM 无论变量块的数量如何，都是收敛的。该分析不对算法生成的迭代强加任何假设，并且广泛适用于涉及近端更新规则和各种灵活的块选择规则的 ADMM 变体。

Oct, 2014

该研究提出了一种无需手动参数调整的自动调参算法，该算法利用混合模型无关和模型基深度强化学习策略的方法学习参数搜索的策略网络。通过严格的数值和视觉实验，学习的策略可以根据不同场景设置自定义参数，并比现有的手工参数更加高效和有效。

Nov, 2020