Learning Cocoercive Conservative Denoisers via Helmholtz Decomposition for Poisson Inverse Problems¶
会议: NeurIPS 2025
arXiv: 2505.08909
代码: https://github.com/FizzzFizzz/CoCo-PnP
领域: 图像复原
关键词: 即插即用, Poisson逆问题, 共循环去噪器, Helmholtz分解, 收敛性保证
一句话总结¶
提出共循环保守(CoCo)去噪器概念，通过广义Helmholtz分解设计新的训练策略——Hamiltonian正则化促进保守性 + 谱正则化促进共循环性——使去噪器成为隐式弱凸先验的近端算子，从而在Poisson逆问题（光子受限去卷积、低剂量CT等）中实现有收敛保证且性能优越的PnP方法。
研究背景与动机¶
领域现状：Plug-and-Play (PnP) 方法将深度去噪器代替变分模型中的近端算子，已在各种图像逆问题中取得令人印象深刻的结果。标准收敛分析依赖保真项的凸性/光滑性和去噪器的非扩张性等条件。
现有痛点：Poisson逆问题（低光照成像、低剂量CT等场景）中，数据保真项 \(G(u)=\lambda\langle 1, Ku - f\log Ku\rangle\) 既不是强凸的也不是光滑的，传统PnP收敛条件不满足。同时，非扩张（non-expansive）或残差非扩张约束虽能保证收敛，但严重限制了去噪器性能——噪声越大，性能损失越明显。
核心矛盾：收敛性要求去噪器具有Lipschitz性质（如非扩张），但这种约束越强去噪性能越差；要让去噪器成为近端算子还需保守性（conservative），现有方法要么显式构造势函数导致性能下降（如GS-DRUNet），要么不能保证近端算子性质。
本文目标：（a）找到比非扩张更弱但仍能保证近端算子性质的Lipschitz条件；（b）不显式构造势函数而是直接正则化去噪器来促进保守性。
切入角度：从共循环性（cocoerciveness，Lipschitz条件的放宽版本）+ Helmholtz分解（将向量场分解为保守场+Hamiltonian场）两个数学工具出发。
核心idea：\(\gamma\)-共循环 + 保守性 = 近端算子性质，且 \(\gamma < 0.5\) 时去噪器可以是扩张的，突破非扩张限制。
方法详解¶
整体框架¶
输入：退化的Poisson噪声图像。方法在PnP框架（ADMM或PEGD算法）中使用CoCo去噪器代替正则化项的近端算子。关键在于训练去噪器时同时施加两个正则化：（1）Hamiltonian正则化——促使Jacobian矩阵对称（即保守性）；（2）谱正则化——控制 \(\|2\gamma J - I\|_*\) 以保证共循环性。输出为复原图像，理论保证全局收敛到驻点。
关键设计¶
-
共循环去噪器（Cocoercive Denoiser）
- 功能：放宽传统非扩张约束，允许去噪器及其残差部分都是扩张的。
- 核心思路：定义 \(\gamma\)-共循环条件 \(\langle x-y, D(x)-D(y)\rangle \geq \gamma\|D(x)-D(y)\|^2\)。当 \(\gamma=1\) 退化为牢非扩张，\(\gamma=0.5\) 退化为残差非扩张。关键：\(\gamma < 0.5\) 时去噪器可以是扩张的（Lipschitz常数 \(1/\gamma > 2\)），约束更弱。等价条件：\(\|2\gamma J(x) - I\|_* \leq 1\) 对所有 \(x\) 成立，可通过谱正则化在训练中实现。
- 设计动机：在复平面上分析Jacobian谱分布，\(\gamma\)-共循环的允许区域严格包含非扩张和残差非扩张的区域（如 \(\gamma=0.25\) 时允许谱在以 \(2\) 为圆心、半径 \(2\) 的圆内），对去噪器限制更少，性能更好。
-
保守性与Helmholtz分解
- 功能：用数学工具证明理想去噪器应该是保守的（无Hamiltonian分量）。
- 核心思路：广义Helmholtz分解将去噪器 \(D = D_c + D_h\)，其中 \(D_c = \nabla\phi\) 是保守场（沿梯度方向去噪），\(D_h\) 是Hamiltonian场（垂直于梯度方向，不对去噪有贡献但产生旋转干扰）。在Jacobian层面对应 \(J = S + A\)，\(S=(J+J^\top)/2\) 对称部分对应保守场，\(A=(J-J^\top)/2\) 反对称部分对应Hamiltonian场。理想情况下 \(A=0\)，即 \(J\) 对称。
- 设计动机：通过直观的二维向量场分析（Fig 1），Hamiltonian分量使去噪方向产生"旋转"偏离最优路径，去掉它可以提升效率。这避免了显式构造势函数的困难。
-
训练策略
- 功能：同时施加两个正则化项训练DRUNet。
- 核心思路：总损失 = MSE去噪损失 + \(\alpha_1 \cdot\) Hamiltonian正则化（\(\|J - J^\top\|_*\) 鼓励Jacobian对称性） + \(\alpha_2 \cdot\) 谱正则化（\(\min\{1-\epsilon, \|2\gamma J - I\|_*\}\) 确保共循环性）。使用Hutchinson-type随机估计器近似计算Jacobian的谱范数，避免显式计算完整Jacobian矩阵。
- 设计动机：将两个理论性质（共循环+保守性）转化为可微的正则化项，使端到端训练成为可能。
理论保证¶
- 证明CoCo去噪器是某个隐式弱凸函数 \(F\) 的近端算子：\(D_\sigma = \text{Prox}_{F/\beta}\)
- 推导出含隐式弱凸先验的复原模型；证明CoCo-ADMM和CoCo-PEGD在Poisson逆问题上全局收敛到驻点
- 收敛条件：\(t < 1/(2+1/(2\gamma))\)，\(\gamma=0.25\) 时 \(t < 0.333\)
实验关键数据¶
主实验（Poisson去卷积 - CBSD68 + Levin核）¶
| 方法 | p=100 PSNR/SSIM | p=50 PSNR/SSIM | 收敛保证 |
|---|---|---|---|
| DPIR | 26.51/0.742 | 25.38/0.691 | 无 |
| RMMO-DRS | 25.94/0.702 | 25.10/0.655 | 有 |
| Prox-DRS | 25.68/0.676 | 25.21/0.657 | 有 |
| DPS | 23.65/0.606 | 23.10/0.582 | 无 |
| DiffPIR | 24.82/0.643 | 24.08/0.607 | 无 |
| PnPI-HQS | 26.42/0.716 | 25.61/0.696 | 有(不解优化问题) |
| CoCo-ADMM | 26.89/0.736 | 26.00/0.703 | 有 |
| CoCo-PEGD | 26.79/0.732 | 25.90/0.696 | 有 |
低剂量CT重建（Mayo数据集）¶
| 方法 | p=500 PSNR/SSIM | p=100 PSNR/SSIM |
|---|---|---|
| FBP | 28.76/0.521 | 24.10/0.297 |
| PWLS-TGV | 33.16/0.846 | 30.43/0.775 |
| UNet (监督学习) | 36.93/0.914 | 35.19/0.888 |
| WNet (监督学习) | 37.12/0.927 | 35.98/0.913 |
| CoCo-ADMM | 37.63/0.940 | 36.68/0.919 |
| CoCo-PEGD | 37.72/0.939 | 36.43/0.916 |
消融实验（去噪性能 CBSD68）¶
| 去噪器 | σ=15 PSNR | σ=25 | σ=40 | 约束强度 |
|---|---|---|---|---|
| DRUNet (无约束) | 34.14 | 31.54 | 29.33 | 无 |
| RMMO (牢非扩张) | 32.21 | 29.99 | 27.87 | 最强 |
| Prox-DRUNet (残差非扩张) | 33.18 | 30.60 | 28.38 | 强 |
| SPC-DRUNet | 33.90 | 31.29 | 29.10 | 中 |
| 0.50-CoCo | 33.38 | 30.65 | 28.25 | 中 |
| 0.25-CoCo | 34.00 | 31.38 | 29.16 | 弱 |
关键发现¶
- \(\gamma=0.25\) 的CoCo去噪器性能接近无约束DRUNet（仅差0.14-0.17dB），远优于强约束方法（RMMO差1.46-1.93dB）。
- Hamiltonian正则化将Jacobian对称性误差从 \(O(10^1)\) 降至 \(O(10^{-4})\)，有效促进保守性。
- CoCo-PnP在有收敛保证的方法中取得最佳性能，甚至超过无保证的DPIR（+0.38dB, p=100）。
- 在低剂量CT中，无监督的CoCo-PnP甚至超过了监督学习方法（UNet、WNet）。
亮点与洞察¶
- 用共循环性替代非扩张性：巧妙地找到了一个更弱但仍能保证近端算子性质的Lipschitz条件，且有清晰的谱几何解释（复平面上的允许域更大）。这个思路可以推广到其他需要Lipschitz约束的场景。
- Helmholtz分解的去噪几何直觉：将去噪器decompose为保守场+Hamiltonian场，用二维向量场图直观解释为什么Hamiltonian分量有害（旋转不贡献去噪），这种几何理解非常优雅。
- 理论-实践闭环：从数学性质（共循环+保守）→训练策略（两个正则化）→收敛证明→实验验证，逻辑完整且每一步都有rigor。
局限与展望¶
- Jacobian谱范数的随机估计增加训练开销，论文未详细报告训练时间对比。
- \(\gamma\) 的选择需要手动调优（论文选 \(\gamma=0.25\)），更小的 \(\gamma\) 理论上性能更好但收敛条件更严格。
- 方法基于DRUNet架构，是否对更现代的去噪架构（如Restormer、NAFNet）同样有效未验证。
- Poisson逆问题实验虽然涵盖去卷积和CT，但缺少Poisson去噪的大规模定量对比（在附录中）。
相关工作与启发¶
- vs Prox-DRUNet (Hurault et al.): 同为保守+Lipschitz约束的近端去噪器，但Prox-DRUNet要求残差非扩张（\(\gamma=0.5\)），CoCo用 \(\gamma=0.25\) 约束更弱，PSNR高0.82dB（\(\sigma=15\)）。
- vs SPC-DRUNet: SPC条件更弱但不能保证近端算子性质（不解任何优化问题），CoCo在去噪性能相当的同时还有理论保证。
- vs DPIR: 无收敛保证但实践性能强，CoCo在有保证的前提下在p=50/100场景还超过DPIR 0.38-0.62dB。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 共循环性+Helmholtz分解用于去噪器设计是全新视角，理论贡献突出
- 实验充分度: ⭐⭐⭐⭐ 去卷积和CT实验扎实，但主要集中在Poisson场景
- 写作质量: ⭐⭐⭐⭐⭐ 数学推导严谨，几何直觉优雅，逻辑清晰
- 价值: ⭐⭐⭐⭐⭐ 为PnP方法在非高斯逆问题中的收敛性提供了新的理论框架