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

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

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

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

通过引入基于物理原理的 DNN 架构和训练方法来提高 DNN 方法在 MRI 重建中的泛化能力，该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广 MRI 重建问题，在 Fast-MRI 数据集上的实验结果表明，我们的方法在解决 MRI 重建中的艰难问题方面比传统方法有更好的应用前景。

Aug, 2022

通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

Feb, 2024

本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题，包括压缩感知和相位恢复，并提出了基于梯度下降的算法以及证明了其收敛性。同时，本文还展示了相比于手工制作的先验条件，使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。

Jun, 2019

本文介绍了一种基于 Deep Image Prior 算法的图像修复方法，该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中，利用可靠信息匹配来完成修复。作为案例研究，作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复，并提供了详细描述。

Jun, 2023

使用神经网络结构的神经架构搜索并分析其分类性能，证明深度先验可以使线性分类器效果与全面训练的深度对应结构一致，这种深度先验不需要额外的推理，并在连续学习的扩展上研究了无灾难干扰的递增学习的可能性。

Apr, 2021