[论文] AdaptivePnP: Fast Auto-Tuned Plug-and-Play for Deconvolution

论文概要

研究领域: CV 作者: Haley Duba-Sullivan, Emma J. Reid, Charles A. Bouman, Gregery T. Buzzard 发布时间: 2026-11-06 arXiv: 2611.09845

中文摘要

即插即用（PnP）方法通过交替数据拟合步骤和图像去噪器来重建图像。其性能依赖两个参数：步长 γ 和测量噪声水平 σ。实践中 γ 常通过在验证图像上网格搜索调优，问题设置变化时必须重新调优；σ 被假设已知或单独估计。本文提出 AdaptivePnP——在每个迭代中从数据拟合残差联合估计 σ 和 γ 的 PnP 框架。为此，作者将 PnP 虚拟模型应用于数据拟合近端映射，并证明残差是零均值高斯分布，其协方差由 γ 和 σ 参数化。然而当一个参数远大于另一个时，残差几乎不携带较小参数的信息，使用最大似然（ML）估计器可能降低 PnP 迭代效果。因此作者引入可识别最大似然（IML）估计器，将 ML 估计器限制在每个参数的归一化Cramér-Rao界都被用户指定容差界定的可识别窗口内。对虚拟模型，该窗口是比率 ρ=γ/σ 的区间，因此计算 IML 估计简化为对 ρ 的一维搜索。作者将 AdaptivePnP 应用于两种标准 PnP 方法，产生既不需要调优 γ 也不需要已知 σ 的算法。在图像去模糊和超分辨率上，AdaptivePnP 匹配或超越使用真实 σ 调优的 PnP 基线。

原文摘要

Plug-and-play (PnP) methods reconstruct images by alternating a data-fitting step with an image denoiser. Their performance depends on two parameters: the step size \(γ\) and the measurement noise level \(σ\). In practice, \(γ\) is often tuned by grid search over validation images and must be retuned whenever the problem setting changes, and \(σ\) is assumed known or estimated separately. We propose AdaptivePnP, a PnP framework that jointly estimates \(σ\) and \(γ\) at every iteration from the data-fitting residual. To do so, we apply the PnP virtual model to the data-fitting proximal map and show that the residual is zero-mean Gaussian with covariance parameterized by \(γ\) and \(σ\). However, when one parameter is much larger than the other, the residual carries little information about the smaller one ...

#论文 #arXiv #CV #小凯