超越 MMSE：使用 ProxiMAP 增强 PnP 恢复
计算机视觉与模式识别
2026-05-19 v1 机器学习
摘要
插值式 (Plug-and-Play, PnP) 方法已成为解决成像逆问题的标准工具，方法是将难以求解的最大后验 (MAP) 去噪器替换为均方误差 (MMSE) 去噪器。虽然这一不匹配被广泛视为不可避免，但近期研究尝试通过针对 MAP 引入扩散模型得分来缩小这一差距。我们指出这在实践中是有问题的：学习到的得分不匹配真实得分，因此针对 MAP 的迭代收敛到类似卡通的图像而非真实图像，更好的结果通过提前停止迭代获得。我们将这一观察转化为设计原则，提出 ProxiMAP，这是一种迭代 MAP 近似方法，其噪声计划保持迭代残差噪声与去噪器训练噪声相匹配。这使去噪器在其得分可靠的分布上工作，并通过隐式提前停止避免上述失败模式。ProxiMAP 可作为标准 PnP 算法中 MMSE 去噪器的模块化即插即用替换方案，在去模糊、图像修复、超分辨率和相位检索等任务中持续提升重建质量。基于相同原则，我们提出一种混合变体，仅在 PnP 的后期迭代中应用 ProxiMAP，在此阶段去噪器最为可靠——在成本较低的情况下达到或超过全替换变体。
引用
@article{arxiv.2605.16396,
title = {Beyond MMSE: Enhancing PnP Restoration with ProxiMAP},
author = {Kenta Vert and Giacomo Meanti and Scott Pesme and Michael Arbel and Julien Mairal},
journal= {arXiv preprint arXiv:2605.16396},
year = {2026}
}