动机
这篇文章说明了一个很有意思的观点,即:网络对自然图像有天然的低阻抗,对不规则噪声等具有天然的高阻抗。而网络的这一特性与网络参数,或者说学习,是无关的。
我们平常认为的网络学习是两部分构成,一部分是网络的结构,参数随机的网络结构本身就能够作为较强大的先验提取器,有能力从中提取出图像信息,而过滤掉噪声信息。另一部分则是通过对数据进行学习,即对网络参数权重进行优化,从而让这一先验变得更强大。作者的工作主要讨论了第一部分,网络本身结构就可以作为强大的先验提取器(而无需训练),提取有用信息,过滤噪声信息。作者将网络这种能力比喻成Swiss Knife。
方法
一般来说,逆问题可以转化为下面形式进行求解:
其中x是输出图像,是要优化的对象,x0是输入图像,E是由任务而定的数据忠诚项,R(x)是先验项,用来学习我们想要恢复出来的图像特征信息,用来区分有用的信息和无用的信息。一般来说很多传统方法都在设计这个先验R(x),如TV等。神经网络的学习我认为也可以看作是对R的建模,只不过神经网络引入了标签Y来学习这个R。