插入和播放未调整的 Langevin 算法（PnP-ULA）是一种有前景的方法，通过使用图像去噪器来结合物理测量模型和深度学习的先验，在贝叶斯逆问题的求解中用于蒙特卡罗采样和最小均方误差估计。在本文中，我们提出了一个后验 - L2 伪度量，用它来量化 PnP-ULA 在不匹配后验分布下的显式误差界限。通过在多个逆问题上进行数值验证，我们的结果表明 PnP-ULA 的采样分布对测量模型和图像去噪器的不匹配非常敏感，并且可以被准确地表征。

Oct, 2023

Block-coordinate Plug-and-play (BC-PnP) method is proposed for solving blind inverse problems by introducing denoisers as priors on both the unknown image and the unknown measurement operator with an approximate minimum mean-squared error (MMSE) denoiser.

May, 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

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

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

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