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

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

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

我们提出了一种基于深度神经网络的方法来建立 PnP/RED 的理论恢复保证，并展示了使用预先训练的去伪影网络进行压缩感知的 PnP 相比最新的生成式模型的压缩感知算法具有更好的恢复性能。

Jun, 2021

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

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