基本思想

图像重建是一项具有挑战性的学习任务，因为没有人知道原始图像的样子。因此，似乎唯一实用和合乎逻辑的方法是发展一些关于图像的先验知识，并选择最大概率(最大先验估计)的重建。例如，我们希望在MNIST数据集上训练的模型能够开发一些关于手写数字的先验知识，从而可以用于恢复模糊的数字。

我看过一篇论文：Deep Image Prior，发表于2017年。链接：https://sites.skoltech.ru/app...\_image\_prior.pdf

研究人员发现深度CNN有一个有趣的特性 —— 随机初始化的网络比纯噪声能更快的拟合自然图像。换句话说，CNN对自然图像有自然的“优先”偏好，可以利用这一点在没有任何数据的情况下去除图像中的人工痕迹！

为了对图像去噪(去除水印，修复等)，随机初始化一个CNN并将图像输入到模型中(input=image, output=image，就像一个自动编码器)。不出所料，模型逐渐达到零训练损失(参数数量>>图像中的像素数量)。然而，当训练被适当地提前停止时，网络产生了去噪的图像。

结果

图像重建可以采取多种形式 —— 去噪、修复恢复、超分辨率等。研究人员证明，神经网络结构在无训练的图像重建中起着重要的作用。

当选择了合适的网络架构时，DIP会产生惊人的重建性能，可以匹配甚至超过监督模型：

DIP是另一个证明过度参数化(重量数据)的力量被完全低估的证据。在我的ML课上，我的教授警告我们不要在“小”数据集上使用巨型模型，因为可能会出现过拟合。然而，过度参数化的网络有许多有趣的特性可供利用! 如果我们可以使用一个未经训练的模型对图像去噪，谁知道一个训练好的模型有无数参数可以做什么呢？

—END—

推荐阅读

关注图像处理，自然语言处理，机器学习等人工智能领域,请点击关注AI公园专栏。
欢迎关注微信公众号