ADMM
一种用于求解凸优化问题的迭代算法，通过将原问题分解为多个子问题交替求解来逼近最优解，广泛应用于机器学习、信号处理等领域
时间轴 (近 90 天)
作者在理想分数和二次数据保真度的假设下，分析了修正后 ADMM 算法的收敛性和重建误差。
ADMM 算法中，对偶变量 u 累积历次迭代的约束违反量并反馈到去噪器输入端，导致去噪器实际面对的输入分布与训练时的干净图像分布之间存在系统性偏移。
S³-PnP 框架的核心操作是直接在 ADMM 的观测驱动中间态上学一个分数先验，不需要干净训练目标，也不需要外部预训练权重。
PnP 框架中，ADMM 的 z 更新被替换为一次去噪器调用，即 z^{k+1} = D_σ(x^{k+1} + u^k)。
ADMM带来的加速是否能在更大规模模型（如百B级别）上保持，以及2:4稀疏度之外更激进的压缩比下影响函数是否仍被保留，都是原文未充分覆盖的方向。
CACTUS是一个基于ADMM（交替方向乘子法）的优化器，用于求解曲率感知剪枝目标，支持纯粹剪枝和稀疏加低秩分解两种权重变换方式。
ADMM是一种求解可分离凸优化问题的算法框架，由Gabay和Mercier于1976年提出，其核心思想是通过引入辅助变量，将原问题拆解为多个子问题，交替更新原始变量、辅助变量和对偶变量。
此前的高斯BROJA数值优化方法依赖交替方向乘子法（ADMM）或类似凸优化算法，每次计算需运行数十至数百次迭代
一阶优化方法的代表性算法包括 ADMM（交替方向乘子法）和 PDHG（原始对偶混合梯度法）
全部知识事实 (9)
作者在理想分数和二次数据保真度的假设下，分析了修正后 ADMM 算法的收敛性和重建误差。
50%待验证ADMM 算法中，对偶变量 u 累积历次迭代的约束违反量并反馈到去噪器输入端，导致去噪器实际面对的输入分布与训练时的干净图像分布之间存在系统性偏移。
50%待验证S³-PnP 框架的核心操作是直接在 ADMM 的观测驱动中间态上学一个分数先验，不需要干净训练目标，也不需要外部预训练权重。
50%待验证PnP 框架中，ADMM 的 z 更新被替换为一次去噪器调用，即 z^{k+1} = D_σ(x^{k+1} + u^k)。
50%待验证ADMM带来的加速是否能在更大规模模型（如百B级别）上保持，以及2:4稀疏度之外更激进的压缩比下影响函数是否仍被保留，都是原文未充分覆盖的方向。
50%待验证CACTUS是一个基于ADMM（交替方向乘子法）的优化器，用于求解曲率感知剪枝目标，支持纯粹剪枝和稀疏加低秩分解两种权重变换方式。
50%待验证ADMM是一种求解可分离凸优化问题的算法框架，由Gabay和Mercier于1976年提出，其核心思想是通过引入辅助变量，将原问题拆解为多个子问题，交替更新原始变量、辅助变量和对偶变量。
50%待验证此前的高斯BROJA数值优化方法依赖交替方向乘子法（ADMM）或类似凸优化算法，每次计算需运行数十至数百次迭代
50%待验证一阶优化方法的代表性算法包括 ADMM（交替方向乘子法）和 PDHG（原始对偶混合梯度法）
50%