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

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

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

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

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

本文介绍了将数据模型应用于贝叶斯推断的兰日文采样算法的一种技术，该算法需要一个预先训练好的正则化流作为先验，并分别分析了贝叶斯解决方案的合理性和 NF-ULA 算法的非渐近收敛性。实验结果表明，该方法适用于图像去模糊、补缺失和 X 线断层扫描重建等各种成像问题。

Apr, 2023

使用重要性抽样方法通过在测试时间上优化信噪比的变分代理提供了更准确的预测后验密度估计。

May, 2024