基于模型的优化方法与判别式学习方法是解决低层视觉中各类逆问题的两种主流策略。通常，这两种方法各具优势与局限：基于模型的优化方法在处理不同逆问题时具有较强的灵活性，但为了获得良好性能，往往需要引入复杂的先验知识，导致计算耗时较长；而判别式学习方法虽然具有快速的推理速度，其应用范围却受限于特定任务。近期研究表明，借助变量分裂技术，可通过判别式学习获得的去噪器作为模块化组件嵌入基于模型的优化框架中，从而求解其他逆问题（如图像去模糊）。当所采用的去噪器由判别式学习方法获得时，这种融合方式能带来显著优势。然而，针对快速判别式去噪先验的融合研究仍显不足。为此，本文旨在训练一组快速且高效的卷积神经网络（CNN）去噪器，并将其集成到基于模型的优化方法中，以解决各类逆问题。实验结果表明，所学习到的去噪器集合不仅在高斯去噪任务中取得了优异性能，还可作为先验知识，有效提升多种低层视觉应用的性能。