A Plug-and-Play Fully On-the-Job Real-Time Reinforcement Learning Algorithm for a Direct-Drive Tandem-Wing Experiment Platforms Under Multiple Random Operating Conditions
针对仿生串联翼系统在随机工况下的控制挑战，提出即插即用全在岗实时强化学习算法CRL2E，结合物理启发策略组合器与轻量级网络，显著提升了跟踪精度与收敛速度，满足实时控制要求。
2024-12-20 cs.AI cs.LG cs.RO
From the Gradient-Step Denoiser to the Proximal Denoiser and their associated convergent Plug-and-Play algorithms
Univ. Bordeaux, CNRS, INRIA, Bordeaux INP, IMB, UMR 5251（波尔多大学）；Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学）；Enhance Lab, Paris, France（巴黎增强实验室）；LTCI, Télécom Paris, IP Paris（电信巴黎学院）
本文分析了梯度步去噪器在即插即用算法中的应用，其被训练为显式泛函的梯度下降算子或近端算子，在保持最先进去噪能力的同时克服了图像先验隐式不可表达的局限。
2025-09-11 cs.LG
PlugSI: Plug-and-Play Test-Time Graph Adaptation for Spatial Interpolation
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Department of Computer Science and Engineering, University of Bologna（博洛尼亚大学计算机科学与工程系）
PlugSI通过未知拓扑适配器和时间平衡适配器，在测试时间优化图结构，提升空间插值的泛化能力和精度
2026-02-10 cs.LG
ReactEmbed: A Plug-and-Play Module for Unifying Protein-Molecule Representations Guided by Biochemical Reaction Networks
Technion（技术ion）
提出ReactEmbed模块，利用生化反应网络对齐蛋白质和分子嵌入，实现跨域统一表示，无需重新训练。
2026-05-24 cs.LG
InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences
California Institute of Technology（加利福尼亚理工学院）；Johns Hopkins University（约翰霍普金斯大学）；NVIDIA（英伟达）
本文提出 InverseBench，在五类物理科学逆问题上评测14种基于即插即用扩散先验的算法，并开源代码、数据与预训练模型。
2025-09-30 cs.LG
PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator
ByteDance（字节跳动）；Univeristy of Texas at Austin（得克萨斯大学奥斯汀分校）；National University of Singapore（新加坡国立大学）
PeRFlow 通过分段 reflow 拉直生成流轨迹，将扩散模型采样加速至少步生成，并作为通用即插即用加速器兼容多种预训练扩散模型工作流。
2024-09-02 cs.LG
MambaTab: A Plug-and-Play Model for Learning Tabular Data
University of Kentucky（肯塔基大学）
本文提出MambaTab，一种基于结构化状态空间模型的轻量级即插即用表格学习模型，以更少参数实现优于现有深度模型的性能。
2024-06-24 cs.LG
Plug and Play Counterfactual Text Generation for Model Robustness
Indian Institute of Technology Delhi（印度理工学院德里分校）；IBM Research - India（IBM研究院（印度））
生成反事实测试用例是测试NLP模型并使其像传统软件一样健壮和可靠的重要支柱。在生成测试用例时，期望的属性是以灵活的方式控制测试用例生成以测试大量不同的故障用例并以有针对性的方式解释和修复它们的能力。在这个方向上，已经取得了显着的进展，在现有的工作，通过手动编写规则，生成受控的反事实。但是，这种方法需要大量的人工监督，并且缺乏灵活性，无法轻松引入新的控制措施。由于PPLM的即插即用方法具有令人印象深刻的灵活性，我们建议将即插即用框架引入反事实测试用例生成任务。我们介绍CASPer，即插即用的反事实生成框架，生成测试用例，满足目标属性的需求。我们的即插即用模型可以引导测试用例生成过程中给定的任何属性模型，而不需要特定属性的模型训练。在实验中，我们表明，CASPer有效地生成反事实的文本，遵循属性模型提供的指导，同时也是流畅的，多样的，并保留原始内容。我们还表明，从CASPer生成的反事实可以用于增加训练数据，从而固定和使测试模型更强大。
2022-06-21 cs.CL cs.LG
PnP-ReG: Learned Regularizing Gradient for Plug-and-Play Gradient Descent
Inria Rennes – Bretagne-Atlantique（法国国家信息与自动化研究所雷恩-布列塔尼大西洋分所）
即插即用（Plug-and-Play，PSTO）框架使得将先进的图像去噪先验集成到优化算法中成为可能，从而有效地解决了通常被公式化为最大后验概率（Maximum A Posteriori，MAP）估计问题的各种图像恢复任务。即插即用交替方向乘法器（ADMM）和去噪正则化（RED）算法是这类方法的两个例子，在图像恢复方面取得了突破。然而，虽然前一种方法只适用于近似算法，但最近已经表明，当去噪器缺乏雅可比对称性时，不存在解释RED算法的正则化，这恰好是大多数实际去噪器的情况。据我们所知，没有一种方法可以训练直接表示正则化器梯度的网络，这可以直接用于即插即用的基于梯度的算法。我们表明，它是可能的训练网络直接建模的MAP正则化梯度，同时共同训练相应的MAP去噪。我们使用这个网络在基于梯度的优化方法，并获得更好的结果相比，其他通用的即插即用的方法。我们还证明了正则化器可以用作展开梯度下降的预训练网络。最后，我们表明，由此产生的去噪器允许一个更好的收敛的即插即用ADMM。
2023-03-03 cs.CV cs.LG eess.IV
Directed Beam Search: Plug-and-Play Lexically Constrained Language Generation
ETH Zurich（苏黎世联邦理工学院）
大型预训练语言模型能够生成逼真的文本。然而，控制这些模型使得生成的文本满足词汇约束，即，包含特定的单词，是一个具有挑战性的问题。考虑到最先进的语言模型太大而无法在可管理的时间内从头开始训练，因此希望在不重新训练它们的情况下控制这些模型。能够做到这一点的方法被称为即插即用。最近的即插即用方法已经成功地在具有受限搜索空间的任务中约束小的双向语言模型以及前向模型，机器翻译。然而，控制大型基于transformer的模型以满足词汇约束而不重新训练它们仍然是一个挑战。在这项工作中，我们提出了定向束搜索（DBS），即插即用的词汇约束语言生成的方法。该方法适用于任何语言模型，易于实现，可用于一般的语言生成。在我们的实验中，我们使用DBS来控制GPT-2。我们展示了它的性能上的关键字到短语的生成，我们获得了可比的结果作为一个国家的最先进的非即插即用模型的词汇约束的故事生成。
2020-12-31 cs.AI cs.CL cs.LG
A New Convergence Analysis of Plug-and-Play Proximal Gradient Descent Under Prior Mismatch
School of Mathematics, University of Birmingham（数学系，伯明翰大学）
本文在先验不匹配情况下提出了PnP-PGD的新收敛分析，去除了传统假设，证明了EPnP减少误差方差并收紧收敛界。
2026-01-28 cs.LG math.OC
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing
Technische Universität Berlin（柏林工业大学）
深度展开被证明是加速和调整经典信号处理算法的一种非常成功的方法。在本文中，我们提出了学习高斯混合AMP（L-GM-AMP）-即插即用压缩感知（CS）恢复算法适用于任何i.i.d.源前。我们的算法建立在Borgerding的学习AMP（LAMP）的基础上，但通过在算法中采用通用的去噪函数来显着改进它。鲁棒和灵活的去噪器是高斯混合（GM）模型源之前的副产品，它可以很好地逼近连续，离散以及混合分布。它的参数使用标准的反向传播算法学习。为了证明所提出的算法的鲁棒性，我们进行蒙特卡罗（MC）模拟的混合和离散分布。数值计算表明，L-GM-AMP算法实现了最先进的性能，而无需任何知识的源先验。
2020-11-18 cs.LG stat.ML
Plug-and-play dual-tree algorithm runtime analysis
Georgia Institute of Technology（佐治亚理工学院）；GE Global Research Center（通用电气全球研究中心）；University of Texas, Austin（德克萨斯大学奥斯汀分校）；Skytree, Inc.（Skytree公司）
许多机器学习算法的核心都包含成对统计问题--也就是说，如果简单地实现，则需要对所有输入点对进行计算的任务。通常，使用树结构来有效地解决这些问题。双树算法可以有效地解决或近似许多这些问题。使用覆盖树，严格的最坏情况下的运行时保证已被证明为这些算法中的一些。在本文中，我们提出了一个问题独立的运行时保证任何双树算法使用的覆盖树，分离出的问题相关和问题无关的元素。这允许我们只为问题相关的元素插入插件边界，以获得任何成对统计问题的双树算法的运行时保证，而无需重新推导整个证明。我们展示了这种即插即用的程序，最近邻搜索和近似内核密度估计，以获得更好的运行时间保证。在温和的假设下，我们还提出了第一个线性运行时间保证双树为基础的范围搜索。
2015-01-21 cs.DS cs.LG
Adaptive Moments are Surprisingly Effective for Plug-and-Play Diffusion Sampling
Cornell University（康奈尔大学）
本文提出利用自适应矩估计来稳定扩散采样中的噪声似然分数，通过实验证明该方法在图像修复和类别条件生成任务中优于复杂方法，提升了对齐效果。
2026-04-22 cs.CV cs.LG
LipsAM: Lipschitz-Continuous Amplitude Modifier for Audio Signal Processing and its Application to Plug-and-Play Dereverberation
Tokyo University of Agriculture and Technology（东京农业大学）
本文提出LipsAM，一种Lipschitz连续的幅度修正器，用于音频信号处理，并应用于即插即消回声算法，通过实验验证其稳定性提升。
2026-03-23 cs.LG cs.SD
Plug-and-Play Half-Quadratic Splitting for Ptychography
University College London（伦敦大学学院）
本文提出一种半二次分裂框架，将即插即用及其他数据驱动先验引入叠层成像相位恢复，并通过自然图像与真实对象验证其重建效果。
2024-12-03 cs.LG eess.IV
Plug-and-Play Anomaly Detection with Expectation Maximization Filtering
KAIST（韩国科学技术院）
人群中的异常检测能够实现早期救援响应。用于人群监控的即插即用智能摄像机具有与典型异常检测不同的许多约束：训练数据不能迭代使用;没有训练标签;并且训练和分类需要同时执行。我们在本文中解决所有这些限制与我们的方法。我们提出了一个核心异常检测（CAD）神经网络，学习场景中的对象的运动行为与无监督的方法。在标准数据集上平均，与卷积自动编码器和基于卷积LSTM的方法的最佳结果相比，具有单个训练时期的CAD显示曲线下面积（AUC）分别增加了4.66%和4.9%。通过单次训练，与基于卷积LSTM的方法相比，我们的方法将AUC提高了8.03%。我们还提出了一个期望最大化过滤器，选择样本训练的核心异常检测网络。当对视频流进行人群异常检测时，与基于未来帧预测的方法相比，整体框架将AUC提高了24.87%。我们相信我们的工作是使用深度学习方法与自主即插即用智能摄像头进行人群异常检测的第一步。
2020-06-16 cs.CV cs.LG
Convergent Plug-and-Play Image Restoration with Annealed Noise Levels
ENS Paris（巴黎高等师范学院）；PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）
针对即插即用图像恢复中实际采用递减噪声水平但缺乏理论保证的问题，本文为一大类退火噪声水平的PnP算法建立了收敛性分析，识别出显式非凸目标并证明渐近平稳性，弥合了理论与实践差距。
2026-10-02 cs.LG math.OC
Dashed Line Defense: Plug-And-Play Defense Against Adaptive Score-Based Query Attacks
Harbin Institute of Technology（哈尔滨工业大学）
本文提出Dashed Line Defense，一种即插即用的后处理方法，有效抵御自适应分数查询攻击，通过引入损失与对抗强度的模糊性，阻止攻击者适应策略，提升模型安全性。
2026-02-09 cs.CR cs.LG
SAIP: A Plug-and-Play Scale-adaptive Module in Diffusion-based Inverse Problems
Zhejiang University（浙江大学）；ZJU-UIUC Institute（浙大UIUC研究院）
针对扩散逆问题中先验与似然尺度需手动固定调节的问题，提出即插即用的SAIP模块，逐时间步自适应优化尺度并提升多类图像恢复任务的重建质量。
2025-09-29 cs.CV cs.LG
SING: A Plug-and-Play DNN Learning Technique
Université Paris-Saclay（巴黎萨克雷大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）；Samsung SAIL（三星SAIL实验室）
本文提出即插即用的SING技术，通过对馈入Adam(W)的梯度进行逐层标准化，在不增加超参数的前提下提升优化器的稳定性与泛化能力，并通过实验和理论分析验证其有效性。
2023-05-25 cs.AI cs.LG
Plug-and-Play Controllable Generation for Discrete Masked Models
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于重要性采样的可插拔框架，使离散掩码模型无需微调和梯度信息即可实现后验采样、约束生成和奖励优化，并在蛋白质设计等任务中验证了有效性。
2024-10-03 cs.LG stat.ML
PSI3D: Plug-and-Play 3D Stochastic Inference with Slice-wise Latent Diffusion Prior
Johns Hopkins University（约翰霍普金斯大学）
PSI3D通过切片式潜在扩散先验和总变分正则化，提升大规模3D随机推断在OCT超分辨率中的重建质量。
2026-08-06 cs.LG eess.IV
Plug & Play Attacks: Towards Robust and Flexible Model Inversion Attacks
Technical University of Darmstadt（达姆施塔特工业大学）；Universität der Bundeswehr München（慕尼黑联邦国防军大学）；Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学认知科学中心）；Hessian Center for AI (hessian.AI)（黑森人工智能中心（hessian.AI））
模型反演攻击（MIA）旨在通过利用模型的学习知识，从目标分类器的私有训练数据创建反映类特征的合成图像。以前的研究已经开发出了生成MIA，它使用生成对抗网络（GANs）作为针对特定目标模型的图像先验。这使得攻击耗费时间和资源，不灵活，并且容易受到数据集之间分布变化的影响。为了克服这些缺点，我们提出了即插即用攻击，它放松了目标模型和图像先验之间的依赖性，并允许使用单个GAN攻击广泛的目标，只需对攻击进行微小的调整。此外，我们表明，即使使用公开的预训练GANs和强分布变化，强大的MIA也是可能的，以前的方法无法产生有意义的结果。我们的广泛评估证实了即插即用攻击的鲁棒性和灵活性的提高，以及它们创建高质量图像的能力，这些图像揭示了敏感的类特征。
2022-06-09 cs.AI cs.CV cs.LG
Convergent ADMM Plug and Play PET Image Reconstruction
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；SHFJ（法国南部奥赛分子成像中心）；Université d’Orléans（奥尔良大学）；Institut Denis Poisson（德尼·泊松研究所）
本研究提出带参数约束的ADMM即插即用PET混合重建算法，通过训练时约束网络参数实现不动点收敛，经[18F]-FDG合成脑实验验证收敛性，无约束时算法不收敛。
2023-10-06 cs.CV cs.LG eess.IV
Deep Plug-and-Play HIO Approach for Phase Retrieval
针对相位恢复的非线性不适定性难题，本文推导了结合学习先验与Gerchberg-Saxton类算法的深度即插即用HIO方法的数学更新步骤，实验验证其在图像质量、效率及鲁棒性上均表现优异。
2025-01-17 cs.CV cs.LG eess.IV
Deep Plug-and-Play Prior for Hyperspectral Image Restoration
Beijing Institute of Technology（北京理工大学）
基于深度学习的高光谱图像（HSI）恢复方法因其出色的性能而广受欢迎，但每当任务的具体情况发生变化时，通常需要昂贵的网络重新训练。在本文中，我们提出用一种有效的即插即用方法来统一恢复HSI，这种方法既可以保留基于优化的方法的灵活性，又可以利用深度神经网络的强大表示能力。具体来说，我们首先开发了一种新的深度HSI去噪器，它利用门控递归卷积单元、短期和长期跳过连接以及增强的噪声水平图，以更好地利用HSI中丰富的空间-频谱信息。因此，它导致了在高斯和复杂噪声设置下HSI去噪的最先进性能。然后，建议的去噪器插入到即插即用框架作为一个强大的隐式HSI之前，解决各种HSI恢复任务。通过对HSI超分辨率，压缩感知和修复的广泛实验，我们证明了我们的方法通常可以通过单个模型实现卓越的性能，在每个任务上都具有竞争力甚至优于最先进的技术，而无需任何特定任务的训练。
2022-09-17 cs.CV cs.LG eess.IV
GPT4MIA: Utilizing Generative Pre-trained Transformer (GPT-3) as A Plug-and-Play Transductive Model for Medical Image Analysis
Nanjing University of Science and Technology（南京理工大学）；University of Notre Dame（圣母大学）
在本文中，我们提出了一种新的方法（称为GPT 4 MIA），利用生成预训练的Transformer（GPT）作为一个即插即用的医学图像分析（MIA）的转导推理工具。我们提供了理论分析，为什么一个大的预训练的语言模型，如GPT-3可以用作MIA的即插即用的转导推理模型。在方法层面，我们开发了几种技术处理方法来提高GPT 4 MIA的效率和有效性，包括更好的提示结构设计，样本选择和代表性样本/特征的提示排序。我们提出了GPT 4 MIA的两个具体用例（带有工作流程）：（1）检测预测错误和（2）提高预测准确性，使用完善的基于视觉的图像分类模型进行推测（例如，ResNet）。实验证明，我们提出的方法是有效的，这两个任务。我们进一步讨论的机会和挑战，利用基于transformer的大语言模型更广泛的MIA应用程序。
2023-03-21 cs.AI cs.CV cs.LG
Convolutional Proximal Neural Networks and Plug-and-Play Algorithms
Institute of Mathematics, TU Berlin（柏林工业大学数学研究所）
本文提出卷积近端神经网络（cPNNs），通过Stiefel流形上的随机梯度下降和正交约束近似算法训练，并将其作为去噪器嵌入即插即用框架，给出PnP前向-后向分裂算法的收敛性结果。
2020-11-04 cs.LG eess.SP math.OC
Plug-and-Play Deep Energy Model for Inverse problems
University of Iowa（爱荷华大学）
我们介绍了一种新的能量配方即插即用（PPERS）图像恢复。使用卷积神经网络（CNN）的传统PSNR方法不具有基于能量的公式。这项工作的主要重点是引入一种基于能量的Pestrian公式，该公式依赖于CNN，该CNN从训练数据中学习图像的对数。评分函数被评估为能量模型的梯度，其类似于具有共享编码器和解码器权重的UNET。因此，所提出的评分函数被约束到一个保守的向量场，这是与经典的Pestrian模型的关键区别。基于能量的公式提供了算法的收敛保证，即使当学习的分数模型不是一个收缩。收缩约束的放松允许所提出的模型学习更复杂的先验知识，从而提供了比传统的Pestrian方案更好的性能。我们在磁共振图像重建中的实验表明，所提出的能量模型比传统的PSNR方法提供了更好的性能。
2023-02-15 cs.CV cs.LG eess.IV
A Plug&Play P300 BCI Using Information Geometry
GIPSA-lab（GIPSA实验室）；CNRS（法国国家科学研究中心）；Grenoble Universities（格勒诺布尔大学）
提出了一种基于信息几何框架的事件相关电位（ERP）分类方法。通过一个新的估计的协方差矩阵，这项工作扩展了黎曼几何的使用，这是以前仅限于基于SMR的BCI，ERP的分类问题。与最先进的方法相比，这种新方法提高了性能，减少了校准所需的数据数量，并具有跨会话和主题的良好概括性。这种方法是用基于P300的游戏大脑入侵者记录的数据来说明的。最后，描述了一种在线和自适应的实现方式，其中BCI用从数据库导出的通用参数初始化，并不断适应个体，允许用户在保持高精度的同时玩游戏而无需任何校准。
2014-08-30 cs.HC cs.LG stat.ML
Scalable Plug-and-Play ADMM with Convergence Guarantees
Washington University in St. Louis（圣路易斯华盛顿大学）；California Institute of Technology（加州理工学院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
即插即用先验（Plug-and-Play Priors，PIPE）是一种广泛适用的方法，通过利用指定为降噪器的统计先验来解决逆问题。最近的工作报告了PADER算法的最新性能，该算法使用预先训练的深度神经网络作为许多成像应用中的去噪器。然而，目前的Pestrian算法是不切实际的，在大规模的设置，由于其沉重的计算和内存的要求。这项工作通过提出广泛使用的PnP-ADMM算法的增量变体来解决这个问题，使其可扩展到大规模数据集。我们从理论上分析了一组明确的假设下，该算法的收敛性，扩展最近的理论结果在该地区。此外，我们展示了我们的算法的有效性与非光滑的数据保真度条款和深度神经网络先验，其快速收敛相比，现有的Pestrian算法，其可扩展性方面的速度和内存。
2021-01-22 cs.LG math.OC stat.ML
Image Restoration using Plug-and-Play CNN MAP Denoisers
Centre Suisse d’Electronique et de Microtechnique (CSEM)（瑞士电子与微技术中心（CSEM））；School of Computer and Communication Sciences, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）计算机与通信科学学院）
即插即用去噪器可用于执行与退化类型无关的通用图像恢复任务。这些方法建立在最大后验概率（MAP）优化可以使用较小的子问题（包括MAP去噪优化）来解决的事实上。我们提出了第一个端到端的MAP估计方法，用于使用深度神经网络进行图像去噪。我们表明，我们的方法是保证最小化MAP去噪的目标，然后使用的通用图像恢复的优化算法。我们提供了我们的方法的理论分析，并在几个实验中显示我们的方法的定量性能。我们的实验结果表明，所提出的方法可以实现70倍的速度比最先进的性能，同时保持MAP的理论观点。
2019-12-20 cs.CV cs.LG eess.IV
BioCopy: A Plug-And-Play Span Copy Mechanism in Seq2Seq Models
RMIT University（皇家墨尔本理工大学）；King’s College London（伦敦国王学院）；South China University of Technology（华南理工大学）；Shenzhen Zhuiyi Technology Co., Ltd.（深圳追一科技有限公司）
在神经seq2seq框架下，复制机制显式地从源（输入）序列中获取未更改的令牌，以生成目标（输出）序列。然而，现有的复制机制大多只考虑从源句子中复制单个单词，这导致在复制长跨度时丢失必要的标记。在这项工作中，我们提出了一个即插即用的架构，即BioCopy，以减轻上述问题。具体来说，在训练阶段，我们为每个令牌构造一个BIO标签，并用BIO标签联合训练原始模型。在推理阶段，模型首先预测每个时间步的BIO标签，然后根据预测的BIO标签执行不同的掩码策略，以缩小词汇表上概率分布的范围。在两个独立的生成任务上的实验结果表明，通过将我们的BioCopy添加到原始模型结构中，它们的性能都优于基线模型。
2021-09-26 cs.AI cs.CL cs.LG
A Unified Plug-and-Play Framework for Effective Data Denoising and Robust Abstention
深度神经网络（DNN）的成功在很大程度上取决于数据质量。此外，预测的不确定性使得高性能DNN在现实世界的部署中存在风险。在本文中，我们的目标是解决这两个问题，提出了一个统一的过滤框架，利用底层的数据密度，可以有效地去噪训练数据，以及避免预测不确定的测试数据点。我们提出的框架利用底层数据分布来区分噪声和干净的数据样本，而不需要对现有DNN架构或损失函数进行任何修改。在多个图像分类数据集和多个CNN架构上进行的大量实验表明，我们简单而有效的框架在对训练数据进行去噪和放弃不确定的测试数据方面优于最先进的技术。
2020-09-25 cs.CV cs.LG stat.ML
Recovery Analysis for Plug-and-Play Priors using the Restricted Eigenvalue Condition
Washington University in St. Louis（圣路易斯华盛顿大学）；University of California, Riverside（加州大学河滨分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
即插即用先验（PIPE）和去噪正则化（RED）方法已被广泛用于通过利用预训练的深度去噪器作为图像先验来解决逆问题。虽然这些算法的经验成像性能和理论收敛特性已被广泛研究，但它们的恢复特性以前没有进行过理论分析。我们解决这个差距，显示如何建立理论上的恢复保证PPENDIX/RED假设这些方法的解决方案位于一个深神经网络的固定点附近。我们还提出了数值结果比较的恢复性能的PPEND/RED压缩感知对最近的压缩感知算法的基础上生成模型。我们的数值结果表明，与现有的最先进的方法相比，具有预先训练的伪影去除网络的PSTIM提供了更好的结果。
2021-10-26 cs.CV cs.LG eess.IV
A Contrast-Source Inversion Scheme Based on Stochastic Optimization and Plug-and-Play Regularization
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
提出STO-PNP-CSI方案，将随机优化与即插即用正则化结合进对比源反演，降低计算成本并稳定重建，在合成和实验数据上验证了其高精度与鲁棒性。
2026-10-06 cs.IT cs.LG math.IT
A relaxed proximal gradient descent algorithm for convergent plug-and-play with proximal denoiser
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；CEREMADE（数学与决策研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学（PSL大学））
本文提出一种收敛的松弛 PnP-αPGD 算法，通过在近端梯度下降中插入松弛近端去噪器，放宽了对去噪器和逆问题参数的假设，在更广的正则化参数范围内实现收敛，从而获得更准确的图像恢复效果。
2023-04-05 cs.CV cs.LG eess.IV
Plug-and-Play image restoration with Stochastic deNOising REgularization
提出SNORE框架，仅在适当噪声水平图像上应用去噪器，结合随机正则化与梯度下降求解逆问题，在去模糊和修复任务上达到SOTA。
2026-06-12 cs.CV cs.LG eess.IV
Video Restoration with a Deep Plug-and-Play Prior
MAP5（MAP5实验室）；GoPro Inc.（GoPro公司）；Meta Inc.（Meta公司）
本文提出了一种通过深度即插即用（Pestrian）方法恢复数字视频的新方法。在贝叶斯形式主义下，该方法包括使用深度卷积去噪网络代替交替优化方案中先验的邻近算子。我们区分自己从以前的Pestrian工作直接应用该方法来恢复从退化的视频观察的数字视频。通过这种方式，一次训练去噪的网络可以重新用于其他视频恢复任务。我们在视频去模糊，超分辨率和随机缺失像素插值方面的实验都显示出使用专门为视频去噪设计的网络的明显优势，因为它比使用相同Pestrian公式的具有类似去噪性能的单个图像网络具有更好的恢复性能和更好的时间稳定性。此外，我们的方法相比，有利地应用不同的国家的最先进的PSTK计划分别对每个帧的序列。这为视频恢复领域开辟了新的前景。
2022-09-15 cs.CV cs.LG eess.IV
