本文深入探讨了CNN在图像生成和复原中的作用，指出CNN的结构而非学习能力是其效果的关键。论文提出了使用CNN结构作为图像先验，替代传统图像复原中的手动设计正则项。通过优化网络参数，不依赖大量训练数据，能够从退化图像中恢复自然图像。这种方法在去噪、超分辨率和图像修复等方面表现出色，尤其适用于缺乏训练数据或难以建模退化过程的场景。然而，它对参数调优和计算量的要求较高。
Deep image prior阅读笔记
论文：《 Deep image prior 》
项目主页：https://dmitryulyanov.github.io/deep_image_prior
1. Introduction（介绍）
- CNN在图像生成和图像复原任务中应用广泛，效果好
- 有种解释是因为CNN能从大量数据中学到真实图像的先验知识，强调的是大量数据和学习能力，但是这种解释并不充分
- 作者认为网络的泛化能力要求网络结构应该契合数据结构
- 与普通解释中将CNN的效果归结于学习能力不同，本文表明大量的图像先验知识是由卷积网络的结构获取的，而不是通过大量数据的学习！
##2. 方法
在传统的图像复原方法中，常常是一个附加正则项的优化问题，目标函数如下：
其中，E(x;x0)是与任务无关的数据项，比如MSE等，描述生成（或复原）图像与目标图像的差距，R(x)是正则项，是根据图像先验知识对解空间的约束。这些图像先验一般人为设计（hand-crafted），比如图像梯度重尾分布，total variation等。本文则提出使用卷积网络结构替换具有先验知识的正则项R(x),公式如下：
最低0.47元/天 解锁文章
扫一扫
8389
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
