插拔式去噪是一种流行的图像去噪框架，本文概述了正则化理论并调查了新的数据驱动方法作为正则化方案。同时，讨论了插拔式算法和其收敛保证。提出了一种新的谱滤波技术来控制正则化强度，并通过理论分析和数值实验验证了插拔式与线性去噪器的收敛正则化方案。

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习。实验表明，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

本文介绍了插拔式去噪的流行迭代框架，提供了关于正则化理论的概述，并调查了几种新近的数据驱动方法作为正则化方案。同时，提出了一种新颖的谱滤波技术来控制正则化强度，并严格证明了插拔式与线性去噪器的收敛正则化方案。数值实验验证了这个理论分析在层析成像的经典反问题中的有效性。

本文介绍了一种利用正则化理论和深度学习的最新进展解决具有非线性正演算子的病态反问题的部分学习方法。实验结果表明，该方法在速度上具有优势，并且能够在512 x 512体积内提高5.4dB的PSNR，相比于FBP和TV重建方法。