SGPnP 论文获 IEEE 接收：扩散模型直插 PnP 重建框架
prof_kamilov · x · 2026-10-18
UW-Madison、WashU 与 Los Alamos 国家实验室团队的论文《Stochastic Generative Plug-and-Play Priors》(SGPnP) 被 IEEE Transactions on Computational Imaging 接收。
核心贡献：
- Score-based PnP:证明预训练 score-based 扩散模型可以直接作为先验嵌入经典 Plug-and-Play 重建算法，无需反向扩散采样
- 随机生成更新:在去噪前注入噪声，使优化更贴合 score 模型的训练分布；注入的噪声可平滑目标函数、帮助优化避开严格鞍点，配合退火策略可收敛到稳定点
- 理论保证:给出了 PnP 的 score-based 解释框架，支持 ADMM、HQS、PGM 等多种 PnP 算法，且注入噪声水平与去噪器噪声水平可解耦
- 实验效果:在大掩码 inpainting 和多线圈 MRI 重建等病态逆问题上超越标准 PnP 基线，与扩散求解器相当
论文与代码均已公开。
「研究」频道最新
- GPG 投影的几何结构：马尔可夫链粗粒化新视角的工作进展 — michaelchchoi · 2026-10-18
- 无反向传播预训练提速 2.3 倍,Noise 方法逼近 Dust 纪录 — inductionheads · 2026-10-18
- q3dviewer 开源:像画画一样流畅编辑点群的 Qt+OpenGL 工具 — 4310sy · 2026-10-18
- Smarter Every Day 博主 Destin 将答辩冲击聚变博士论文 — CatAstro_Piyush · 2026-10-18
- 脑植入物让失语者重新开口，Science 长文综述语音 BCI 产业进展 — EricMTrautmann · 2026-10-18
- 曼彻斯特大学发布 LLM 生成代码形式化验证演讲幻灯片 — CatAstro_Piyush · 2026-10-18