- 非训练的神经网络用于快照压缩成像：理论和算法
通过使用未经训练的神经网络（UNNs）模拟源结构，我们开发了一种理论框架来表征这些 UNN 方法的性能，同时利用最近提出的袋装深度图像先验（bagged-DIP）思想开发了快照压缩成像（SCI）袋装深度视频先验（SCI-BDVP）算法，在视 - 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。
- 无监督动态磁共振成像重建的图像先验
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 - 袋装深度图像先验恢复存在斑点噪声的图像
使用最大似然估计方法和深度图像先验，研究了从受散斑（乘性）噪声影响的多组测量中恢复复值信号的理论和算法方面。
- 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 - RPNR: 鲁棒感知神经胶片重新上色
我们使用深度图像先验网络（DIP）和鲁棒特征提取网络，通过只使用两个图像在目标环境中以一致的方式渲染源片段，实现了在需求背景下插入所需对象的方法。与基准方法（如剪切和粘贴、剪切和粘贴神经渲染、图像协调等）相比，我们的方法不需要配对标记的数据 - ZeroRF：零预训练的快速稀疏视角 360° 重建
ZeroRF 是一种新颖的针对稀疏观测 360 度重构在神经场表示中的场景优化方法，通过在分解的 NeRF 表示中集成定制的深度图像先验，实现了高质量、高效率的稀疏观测 360 度重构，具有优于现有方法的性能。
- VDIP-TGV: 基于总变差的变分深度图像先验增强的盲图像去卷积
本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合，通过 TGV 补充额外的梯度信息，有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法（ADMM）求解，定量和定性实验证明了 VDIP-TGV 优于各种最先进的模 - 基于 JPEG 信息规范化的深度图像先验去噪
图像去噪是计算机视觉领域中代表性的图像恢复任务。最近关于只使用噪声图像进行图像去噪的研究引起了广泛关注。深度图像先验 (DIP) 通过卷积神经网络结构的归纳偏置实现了成功的只使用噪声图像进行图像去噪，而无需任何预训练。DIP 图像去噪的主要 - 地中海 - 阿尔卑斯弧线区域古代壁画的深度图像先验修复
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 - 基于深度神经网络优化先验的自监督高光谱修复
本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play（LRS-PnP）的新型 HSI 缺失像素预测算法，并通过将 LRS-PnP 与 Deep Image Prior（DIP）结合成为 - 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 - 上采样中的魔鬼：深度图像先验去噪中的简化架构决策
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 - 基于多码深度图像先验的即插即用 ADMM 图像去噪和 CT 重建
本研究提出了多编码深度图像滤波方法，可避免过拟合问题并在图像去噪和 CT 重建问题中表现卓越。
- PIP：位置编码图像先验
本文提出了一种基于 Fourier 特征和像素级 MLP 的图像先验模型 ——Positional Encoding Image Prior (PIP)，通过在各种图像重建任务中的应用表明它与 Deep Image Prior (DIP) - ICCV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。
- 关于测量和控制深度图像先验中的光谱偏差的研究
本文提出通过引入一种频谱偏差的测量方法，结合控制 Lipschitz 参数的卷积层和高斯参数的上采样层，可以改善深度图像先验在图像重建上的性能衰减问题，实验结果表明该方法在各种图像处理任务上比现有方法更具优势。
- ICLR一种基于单张图像深度学习的遥感产品修复方法
提出了一种使用 Deep Image Prior 方法重建受损图片，不需要预先训练网络或者照片数据库，比传统的单图片方法表现更好。
- 对抗性扰动欺骗深度伪造检测器
本研究使用对抗扰动来增强 Deepfake 图像，欺骗普通 Deepfake 检测器。我们使用 Fast Gradient Sign Method 和 Carlini 和 Wagner L2 范数攻击在黑盒和白盒设置中创建对抗性扰动。我们还 - ICCV深度图像与核先验的图像反卷积
本文基于近期提出的深度图像先验方法 deep image prior，在图像去卷积中引入 kernel 先验方法，实验结果表明，该方法有助于提高学习无关的图像去卷积的性能，以 PSNR 和视觉效果为标准进行了六个标准测试图像的实验。