通过Helmholtz分解学习Cocoercive保守去噪器用于泊松逆问题

插拔式（PnP）方法与深度去噪器配合在成像问题中显示出惊人的性能。它们通常需要保真项的强凸性或光滑性，以及（残差）非扩张去噪器以实现收敛。然而，这些假设在泊松逆问题中被违反，非扩张性可能会阻碍去噪性能。为解决这些挑战，我们提出一种cocoercive conservative（CoCo）去噪器，其（残差）可为扩张，从而实现更好的去噪。通过利用广义Helmholtz分解，我们引入一种新颖的训练策略，将哈密顿正则化以促进保守性，结合谱正则化以确保cocoerciveness。我们证明了CoCo去噪器是弱凸函数的保近算子，使其能够实现具有隐式弱凸先验的恢复模型。已建立PnP方法收敛到该恢复模型的平稳点的全局收敛性。大量实验结果表明，我们的方法在视觉质量和定量指标方面均优于相关方法。