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

本文介绍了两种算法：PnP-ULA（未调整的 Langevin 算法）和 PnP-SGD（随机梯度下降）, 用于进行具有 Plug & Play 先验的贝叶斯推断，其中深度神经网络去噪算子特别值得注意，同时针对图像去模糊、修复和去噪等标准问题，这些算法可用于点估计和不确定性可视化和量化。

Mar, 2021

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

本研究提出了一种利用现成去噪器方法解决反问题的替代方法，该方法需要较少的参数调整，通过自动调整参数，可以应对图像去模糊和修复等任务，并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。

Oct, 2017

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

该论文介绍了一种基于变量拆分的随机插入算法，它使用深度生成模型解决了贝叶斯去噪问题， 与传统的优化方法相比，该方法可以提供置信区间估计。

Apr, 2023

本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证，并通过数值实验证明了其潜力。

Mar, 2024

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

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