May, 2019

插拔式方法在经过适当训练的去噪器的证明下收敛

PDF
TL;DR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。
plug-and-playdenoisingadmmdeep learningconvergence
发现论文，激发创造
  • TFPnP: 无需调参的即插即用近端算法及其在反演成像问题中的应用

    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

  • 无需调节的即插即用近端算法用于逆向成像问题

    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

  • 关于即插即用运算符的收缩性

    通过收缩映射定理，我们解决了关于 PnP-ISTA 和 PnP-ADMM 在对称去噪器和核去噪器上的线性收敛性的问题，并在图像修复上验证了我们的理论发现。

    Sep, 2023

  • 插拔式 ADMM 的性能分析：基于图信号处理角度的研究

    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

  • 逆问题中的收敛正则化与线性即插即用去噪器

    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

  • 非凸 PnP-ADMM 与 MMSE 去噪算法的收敛性

    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

  • 收敛的即插即用方法：近端去噪器和无约束正则化参数

    本文提出了两种解决方法，一是无需对正则化参数做限制的新型 PnP-DRS 收敛证明，二是在更广范围的正则化参数下收敛的 PGD 算法的放松版本，实验证明这两种解决方案均提高了图像恢复的准确性。

    Nov, 2023

  • PnP-ADMM 中的先前偏差和适应性及其非凸收敛分析

    该论文探讨了插拔式先验（PnP）方法中先验分布不匹配和领域适应的问题，并提供了一系列关于 PnP-ADMM 的新理论和数值结果，证明了先验分布不匹配对其性能的影响以及通过少量来自所需分布的训练样本可以显著减小性能差距。

    Sep, 2023

  • 插入并运行 ISTA 与核去噪器收敛

    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

  • 一个用于正则化图像重建的在线即插即用算法

    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