FlowADMM：基于流形重噪声-去噪先验的即插即用ADMM
计算机视觉与模式识别
2026-05-12 v1
摘要
针对逆问题的插拔式（Plug-and-Play, PnP）方法近期通过利用基于强大生成式扩散和流模型的去噪先验取得显著性能，但现有扩散和流基PnP方法通常依赖随机重噪声-去噪操作，导致其收敛行为分析复杂化。本文识别并形式化了流基PnP方法所隐含的确定性重噪声-去噪算子。该视角表明，这些方法隐式定义了一个由去噪器在潜在噪声分布上的期望给出的确定性算子。基于此洞见，我们提出FlowADMM，将重噪声-去噪算子集成到经典交替方向乘子法（ADMM）框架中。我们在底层流网络满足弱Lipschitz条件下建立了FlowADMM的收敛性保证，并扩展分析至非平稳时序schedule。实验表明，FlowADMM在去噪、去模糊、超分辨率和图像填充等多种逆问题上，实现了流基PnP方法的状态最佳性能（SOTA），且所需的数据一致性评估次数少于先前方法。
引用
@article{arxiv.2605.08640,
title = {FlowADMM: Plug-and-play ADMM with Flow-based Renoise-Denoise Priors},
author = {Hendrik Sommerhoff and Michael Moeller},
journal= {arXiv preprint arXiv:2605.08640},
year = {2026}
}