本研究旨在通过训练高度灵活和有效的深度 CNN 降噪器来构建深度降噪先验，将其作为模块化部分插入基于半二次分裂的迭代算法以解决各种图像恢复问题，实验结果表明所提出的方案不仅对于模型模拟的方法具有优势，对于学习方法也具有竞争性甚至更好的性能。

Aug, 2020

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

本文提出使用高斯混合模型作为先验，以解决图像去模糊和压缩成像两个问题。我们利用变量分裂算法的特点，如 ADMM，将观测算子的处理与正则化器的处理分离，并将最先进的算法插入到纯去噪步骤中。此外，我们展示了当应用于特定类型的图像时，从相同类型图像的数据库训练的高斯混合模型能够胜过当前的最先进方法。

Feb, 2016

该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

Mar, 2019

针对深度学习图像分类模型易受恶意注入噪声的对抗攻击，本文基于深度图像先验提出了一种新颖有效的重建防御框架，并且分析和明确地将模型决策过程纳入了防御范畴，通过倒推清晰的 “干净样本”，最终构造出一幅可以被正确识别的图像，实验表明，在白盒、防御感知攻击下，该方法表现出优异的防御效果且重建图像的视觉质量较高。

Jul, 2021

通过有效自由度的分析和 “随机时间组合” 方法，我们扩展了 “深度图像先验” 的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

Aug, 2021

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

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

通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

Mar, 2024

通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

Jun, 2018