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

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

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

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

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

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

本文提出了一种新型的 Plug-and-Play 方法，使用半二次分裂作为正则器，将梯度下降步骤实现为由深度神经网络参数化的功能。作者证明了该算法是一个收敛的迭代方案，可应用于各种形式的逆问题，比如去模糊、超分辨率和修复等，达到与最先进的方法相当的性能。

Oct, 2021

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

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