論文の概要: Plug-and-Play Methods Provably Converge Even with Improperly Trained Denoisers: Convergence by Architectural Design

• arxiv url: http://arxiv.org/abs/2609.33087v1
• Date: Sun, 27 Sep 2026 01:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:37:00.990002
• Title: Plug-and-Play Methods Provably Converge Even with Improperly Trained Denoisers: Convergence by Architectural Design
• Title（参考訳）: 不適切な訓練を受けたデノイザでさえ、プラグイン・アンド・プレイの手法はおそらく収束する:アーキテクチャ設計による収束
• Abstract要約: Plug-and-Playメソッドは、近位演算子を学習されたデノイザに置き換え、最先端の品質を生み出す。 Proximal Networks (LPNs) は Denoiser アーキテクチャを記述し、それは正確には近位演算子正規化器である。
• 参考スコア（独自算出の注目度）: 5.736588561666141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plug-and-Play (PnP) methods replace proximal operators with learned denoisers, which produce state-of-the-art reconstruction quality, but sacrifice the variational interpretation and convergence guarantees of proximal methods. Learned Proximal Networks (LPNs) address this problem by designing the denoiser architecture so that it is exactly the proximal operator of a regularizer. In this work, we clarify the theoretical foundations of LPNs and extend the framework to a broader class of activation functions. We then study two practical mechanisms for controlling the learned prior: (i) averaging the LPN with the identity, a common heuristic in PnP methods, and (ii) directly scaling the implicit regularizer induced by the proximal operator. In particular, we characterize the regularizer induced by averaging and develop a convergent method for evaluating the scaled proximal operator.
• Abstract（参考訳）: Plug-and-Play (PnP) 法は、近位演算子を学習した復調器で置き換えるが、近位演算子の変分解釈と収束保証を犠牲にする。 Learned Proximal Networks (LPNs) は、正規化器の近似演算子であるようにデノイザーアーキテクチャを設計することでこの問題に対処する。 本研究では,LPNの理論的基礎を明らかにするとともに,フレームワークをより広範なアクティベーション関数のクラスに拡張する。 次に、先行学習を制御するための2つの実践的メカニズムについて研究する。 一 LPNの同一性、PnP法における共通のヒューリスティック、及び (ii) 近位演算子によって誘導される暗黙の正則化器を直接スケーリングする。 特に、平均化によって誘導される正則化器を特徴付け、スケールした近位演算子を評価する収束法を開発する。

関連論文リスト

• Learning Affine-Equivariant Proximal Operators [11.364473449205066]
  近位ニューラルネットワークは、信号処理と機械学習の基本的な応用である。 正確な近位演算子を確実に計算することで、学習関数のパラメトリクスを得る方法を示す。
  論文  参考訳（メタデータ） (2026-04-16T22:18:18Z)
• Leveraging Operator Learning to Accelerate Convergence of the Preconditioned Conjugate Gradient Method [1.8434042562191815]
  予備条件付き共役勾配法(PCG)の収束を加速する新しいデフレ戦略を提案する。 我々は演算子学習、特にDeep Operator Network(DeepONet)を用いてデフレ部分空間を生成する。
  論文  参考訳（メタデータ） (2025-07-31T18:53:23Z)
• MAP Estimation with Denoisers: Convergence Rates and Guarantees [37.88502562012743]
  簡単なアルゴリズムは、前の$p$の対数共共役仮定の下で近似演算子に収束することを示す。 このアルゴリズムは, 滑らかな近位対象の勾配勾配として解釈できることを示す。
  論文  参考訳（メタデータ） (2025-07-21T08:59:33Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Fixed-Point and Objective Convergence of Plug-and-Play Algorithms [25.65350839936094]
  画像再構築の標準モデルは、正規化と共にデータ忠実性ノベルティ項の再構築を含む。 本稿では, 特殊近位線形デノイザに対する収束の両形態を定式化する。 我々は、線型 denoiser から派生した特別な内積(およびノルム)を扱う。
  論文  参考訳（メタデータ） (2021-04-21T04:25:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。