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

本文提出了一种可实现自动调参的 PnP 近端算法，利用混合模型自由和基于模型的深度强化学习方法，开发出策略网络进行参数自动搜索，从而得到最优参数值，可在重构图像方面提供 state-of-the-art 的效果，尤其在压缩感知 MRI 和相位恢复上结果有很大提升。

Feb, 2020

本文介绍了一种基于迭代收缩 / 阈值算法 (ISTA) 的在线 plug-and-play priors (PnP) 算法，并提出了一种新的收敛性分析方法，以证明该算法适用于大型数据集。该算法可用于图像重建，具有潜在的应用拓展性。

Sep, 2018

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

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

探讨了在图像规则化中，使用死亡神经元代替近端算子的 PnP 方法技术是否能保证收敛性，研究发现，在线性反演问题，如去模糊、修复和超清晰度等上，使用 PnP-ISTA 确实可以保证收敛性。

Apr, 2020

插拔式（PnP）算法是一类迭代算法，通过结合物理模型和深度神经网络进行正规化，解决图像逆问题。我们提出了一个新的 PnP 框架，称为随机去噪正则化（SNORE），它只在恰当程度上含有噪声的图像上应用去噪算法，并基于明确的随机正则化得出了解决病态逆问题的随机梯度下降算法。对该算法及其退火扩展进行了收敛性分析。实验证明，SNORE 在去模糊和修补任务上与最先进的方法在定量和定性上都具有竞争力。

Feb, 2024

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

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