本文提出了一种新型非凸正则化器，通过学习实现变分去噪，具有较少参数和良好解释性。实验结果表明，该去噪器在CT和MRI重建中性能优于传统方法，展现出良好的泛化能力和稳定性。

本文提出了一种通过学习具有预设上界的非凸正则化器的方法，该方法能够产生能够最小化凸能量的变分去噪器。数值实验证明了该去噪器在性能上优于凸正则化方法和BM3D去噪器。学习到的正则化器还可用于求解具有可证收敛性的迭代方案的逆问题。该正则化器在CT和MRI重建中具有很好的泛化性能，并在性能、参数数量、保证性和可解释性等方面与其他数据驱动方法相比具有出色的平衡。