Deep Image Prior

doi:10.1007/s11263-020-01303-4

Deep Image Prior

2020-03-04

296

OA

AI

DOI：10.1007/s11263-020-01303-4

原文链接

查看原文

摘要

En 中文

深度卷积网络已经成为图像生成和恢复的流行工具。通常，它们的优异性能归于它们从大量示例图像中学习真实图像先验的能力。在本文中，我们表明，相反，生成器网络的结构足以在进行任何学习之前捕获大量低级图像统计数据。为了做到这一点，我们证明了随机初始化的神经网络可以用作手工制作的先验，在去噪，超分辨率和修补等标准逆问题中具有出色的结果。此外，相同的先验可以用于反转深度神经表示以诊断它们，并且基于闪光-无闪光输入对来恢复图像。除了其多样化的应用外，我们的方法还突出了标准发电机网络架构捕获的感应偏差。它还弥合了两个非常流行的图像恢复方法家族之间的差距: 使用深度卷积网络的基于学习的方法和基于手工制作的图像先验 (如自相似性) 的无学习方法 (代码和补充材料可在)。

Keyword:

Convolutional networks

Generative deep networks

Inverse problems

Image restoration

Image superresolution

Image denoising

Natural image prior

Deep Image Prior

摘要

AI总结

期刊

机构