Apr, 2023

上采样中的魔鬼：深度图像先验去噪中的简化架构决策

PDF
TL;DR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。
发现论文，激发创造
  • 重新思考深度图像先验去噪

    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

  • 加速 MRI 重建的面向架构无关的未训练网络先验

    该研究对未经训练的神经网络在磁共振成像（MRI）重建领域的应用进行了讨论，通过理解网络架构的频率特征，提出了两种与架构无关的改进方法，从而使得不合理设计的模型在性能上能够接近高性能模型。

    Dec, 2023

  • 深度图像先验分析与图像重建中的自引导利用

    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

  • 通过架构正则化：一种逆问题的深度先验方法

    本文研究了在不适定逆问题上应用的所谓深度图像先验（DIP）技术，介绍了将这些方法视为 Tikhonov 函数的优化而不是网络优化的方法。通过理论结果和数值验证，证明了这种方法的可行性。

    Dec, 2018

  • NAS-DIP: 用神经架构搜索学习深度图像先验

    本文提出使用神经架构搜索算法来寻找升级版的卷积神经网络，以用作结构化图像先验，从而进行各种反向图像恢复任务，通过大量实验结果验证了此方法的有效性。

    Aug, 2020

  • DeepRED: 基于 RED 提供动力的深度图像先验

    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

  • SDIP：自强化深度图像先验框架用于图像处理

    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

  • 使用深度图像先验和学习正则化的压缩感知技术

    通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

    Jun, 2018

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017

  • 基于深度学习的 S 参数曲线拟合技术及其在电磁求解器中的应用

    本研究提出了第一个基于深度生成模型的方法，使用一维深度图像先验（DIP）适应来自 EM 求解器的 S 参数。相对于 VF 的公共实现，我们的方法表现更好，只使用 5-15％的频率样本。我们的方法也具有竞争力，通常在挑战性输入实例中胜过其私有 VF 工具。

    Jun, 2023