去噪正则化：贝叶斯模型与拉普拉斯 - 吉布斯采样
内容提要
本文提出加速近端马尔可夫链蒙特卡洛方法，用于凸几何图像反问题的贝叶斯推断。算法采用随机松弛近端点迭代：对平滑模型等效于过阻尼朗之万扩散的隐式中点离散化，收敛快且渐近无偏；对非平滑模型等效于Moreau-Yosida逼近的Leimkuhler-Matthews离散化，偏差显著低于传统方法，并给出最优时间步长分析。
延伸解读
算法核心：随机松弛近端点迭代
文章提出的加速近端马尔可夫链蒙特卡洛方法，采用随机松弛近端点迭代。对于平滑模型，它等效于过阻尼朗之万扩散的隐式中点离散化，收敛速度更快且渐近无偏；对于非平滑模型，它等效于Moreau-Yosida逼近的Leimkuhler-Matthews离散化，偏差显著低于传统Euler-Maruyama离散化。
收敛性与最优时间步长
针对κ-强对数凹目标，文章提供了非渐近收敛分析，并确定了最大化收敛速度的最佳时间步长。该方法对于高斯目标渐近无偏，且对于任何需要约√κ次迭代收敛的目标，其收敛速度类似于加速优化方案，比仅对高斯目标可证明加速且具有偏差的方法更有优势。
实验验证与适用场景
文章通过高斯和泊松噪声相关的一系列实验，以及基于假设驱动和数据驱动的凸先验，验证了所提方法论。这表明该方法在具有凸几何的图像反问题中具有实际可行性，能够有效处理不同类型的噪声和先验信息。
Q&A
什么是加速近端马尔可夫链蒙特卡洛方法？
加速近端马尔可夫链蒙特卡洛方法是一种用于凸几何图像反问题贝叶斯推断的新方法，采用随机松弛近端点迭代，对平滑模型等效于过阻尼朗之万扩散的隐式中点离散化，收敛快且渐近无偏；对非平滑模型等效于Moreau-Yosida逼近的Leimkuhler-Matthews离散化，偏差显著低于传统方法。
该方法在平滑模型和非平滑模型下的处理方式有什么不同？
对于平滑模型，算法等效于针对后验分布的过阻尼朗之万扩散的隐式中点离散化，对于高斯目标渐近无偏，且收敛速度更快（约√κ次迭代）。对于非平滑模型，算法等效于Moreau-Yosida逼近的朗之万扩散的Leimkuhler-Matthews离散化，比基于Euler-Maruyama离散化的传统未调整朗之万策略偏差显著更低。
该方法相比传统方法有哪些优势？
相比传统方法，该方法对高斯目标渐近无偏，收敛速度更快（约√κ次迭代），且比仅对高斯目标可证明加速且具有偏差的方法更有优势；对于非平滑模型，偏差显著低于传统未调整朗之万策略。
该方法的最佳时间步长是如何确定的？
对于κ-强对数凹目标，所提供的非渐近收敛分析确定了最大化收敛速度的最佳时间步长。
该方法在哪些实验中被验证？
通过与高斯和泊松噪声相关的一系列实验，以及基于假设驱动和数据驱动的凸先验，验证了所提出的方法论。
该方法主要应用于什么领域？
该方法主要用于具有凸几何的图像反问题中的贝叶斯推断。
