通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

Feb, 2024

该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

Mar, 2019

本文提出了自我强化深度图像先验（SDIP）作为原来深度图像先验（DIP）的改进版本，并证明了在多个应用领域中，SDIP 框架相较于原始 DIP 方法和其他先进方法具有改善。

Apr, 2024

该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。

Mar, 2022

通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

Mar, 2024

通过有效自由度的分析和 “随机时间组合” 方法，我们扩展了 “深度图像先验” 的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

Aug, 2021

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

本研究从频率角度分析了 Deep Image Prior 中未经学习的上采样是 DIP 去噪现象的主要驱动力，因此提出了一种无需耗时搜索即可估算出每张图像适当的网络结构的方法，实验结果表明，估算出的网络结构在去噪和保留纹理细节方面比当前方法使用更少的参数且效果更好，且因其欠参数化的性质，更能抵抗高噪声干扰。

Apr, 2023

本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。

Nov, 2019

我们提出了一种新的联合去马赛克和降噪方法，名为 JDD-DoubleDIP，它直接在单个 RAW 图像上操作，无需任何训练数据。实验结果表明，我们的方法在 PSNR、SSIM 和质量视觉感知等方面始终优于其他比较方法。

Sep, 2023