- 单次插拔式逆问题解决方案
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 - 与目标对齐：利用通用即插即用框架优化 CTC 模型所需属性
提出了一种名为 $ extit {Align With Purpose}$ 的通用 Plug-and-Play 框架用于在 Automatic Speech Recognition 等领域中，通过 CTC 和附加的损失项优化各种功能，例如发 - 生成即插即用：逆问题后验采样
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 - ACLSen2Pro：基于预训练语言模型的句子嵌入的概率视角
本文提出了一种基于概率的句子嵌入框架（Sen2Pro），该框架利用预训练语言模型将句子表示为嵌入空间中的概率密度分布，以反映句子表示中的模型不确定性和数据不确定性，并在不需要重新训练预训练语言模型的情况下，基于 PLM 进行部署和应用，实现 - ACL预训练语言模型的即插即用知识注入
本研究提出了一种新的知识注入方法 -- 插拔式知识注入，并探究了一种新的注入方法 ——map-tuning，并通过三种不同的 NLP 任务验证了 map-tuning 方法的有效性，再次表明了插拔式知识注入的优越性。
- 级联束搜索：神经机器翻译插入式强制术语
本文提出一种插拔式方法，用于具有术语限制的翻译，其中包括级联光束搜索，该方法不需要专门领域的语言模型和额外的训练，并获得了与 WMT21 术语翻译任务的获胜提交相当的性能。
- 盲反问题的分块坐标插入播放方法
Block-coordinate Plug-and-play (BC-PnP) method is proposed for solving blind inverse problems by introducing denoisers a - ODE 中的潜空间组合文本控件
本篇论文提出一种新颖的、高效的可组合文本操作方法，通过联合预训练语言模型（如 GPT2）和基于普通微分方程的采样器，实现由任意插件运算符（例如属性分类器）控制的多样化操作（情感、时态、格式、关键字等），最终生成或编辑高质量文本。
- ICMLTFPnP: 无需调参的即插即用近端算法及其在反演成像问题中的应用
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。
- EMNLP即插即用式对话模型
本文介绍了一种新的控制对话响应生成的方法 —— 插入式方法，其不需要注释对话数据集或精调大规模语言模型，并可以实现高度控制所生成的会话响应的多个方面。
- 插入并运行 ISTA 与核去噪器收敛
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。
- 无需调节的即插即用近端算法用于逆向成像问题
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 - 插拔式方法在经过适当训练的去噪器的证明下收敛
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 - 插拔式：通过稀疏数据传播提高深度估计
本文提出了一种新颖的即插即用模块，用于提高深度预测的准确性，其中采用了任意模式的稀疏深度作为输入，并通过更新中间特征图的方式使得模型能够输出与给定稀疏深度一致的新深度，无需额外训练，可以应用于利用 RGB 和稀疏的 LiDAR 点来鲁棒地估 - 迭代去噪和背向投影图像恢复
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。