Deep Image Prior
PulseAugur coverage of Deep Image Prior — every cluster mentioning Deep Image Prior across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新理论与算法推动相干成像技术发展
研究人员为多视角相干成像（一种用于数字全息和合成孔径雷达等应用的技术）开发了新的理论框架和算法。该论文首次在深度图像先验假设下，为最大似然估计器的均方误差（MSE）提供了理论上限。所提出的算法通过结合牛顿-舒尔茨算法进行矩阵求逆以及采用装袋策略来减少投影误差，从而提高了性能，并取得了最先进的结果。
-
无监督深度学习解决计算断层扫描逆问题
研究人员开发了一种新颖的无监督深度学习框架，用于解决计算断层扫描中的逆问题，特别是在缺乏真实数据的情况下。该方法被称为“深度图像先验”（DIP），它利用迭代重建和展开优化之间的相似性来训练一个网络，该网络可以在一次前向传播中重建未见的扫描。在2DeteCT数据集上的评估显示，与滤波反投影和最大似然重建等传统方法相比，该方法取得了具有竞争力或更优的结果，同时与每个实例的DIP基线相比，速度提高了约四个数量级。
-
SE-UNet框架为逆问题提供数据高效的图像合成
研究人员推出了一种新颖的图像合成框架SE-UNet，它解决了扩散模型在真实世界逆问题中的局限性。该新方法利用几何等变性和奇异值门控，无需广泛的预训练即可解决病态成像任务。SE-UNet在CIFAR-10上展示了最先进的零样本修复能力，显著优于现有基线，并能快速收敛到准确的解决方案。
-
新型无卷积架构增强图像恢复任务
研究人员开发了 Pool-DIP，一种用于图像恢复任务的新型无卷积架构。该模型使用基于池的对比度建模有效捕获空间上下文，与传统的基于卷积的深度图像先验模型相比，在参数更少、计算复杂度更低的情况下实现了更好的去噪性能。Pool-DIP 在各种数据集上均取得了有竞争力的结果，并且能很好地泛化到超分辨率和图像修复等任务，同时还能稳定优化过程中高频分量的演变。
-
新的MG-SpaIR框架提供无训练数据图像恢复
研究人员开发了MG-SpaIR，一种不需要训练数据的新型图像恢复框架。该方法利用隐式神经表示（INRs）和多级残差层次结构来逐步改进图像重建。为了增强稳定性和防止伪影，MG-SpaIR结合了显式稀疏正则化，该正则化可以抑制虚假模式同时保留清晰细节。实验表明，MG-SpaIR的性能优于Deep Image Prior等现有的无训练数据方法，提供了一种稳定且数据高效的替代方案。
-
深度学习增强三维电子断层扫描重建
研究人员开发了一种名为深度图像先验（DIP）的新型无监督深度学习方法，以改进电子断层扫描中的三维重建，特别是在具有挑战性的稀疏视角和有限角度条件下。该方法在性能上可与监督技术相媲美，且无需大量训练数据集。DIP方法已在模拟数据和实验数据上得到验证，显示出其能够为各种材料和采集方法实现可靠的三维定量。
-
新的早期停止方法改进了用于图像恢复的深度图像先验
研究人员为深度图像先验（DIP）开发了一种新的早期停止方法，以防止图像恢复任务中的过拟合。该方法构建了伪自参考图像，以模拟拥有两个独立的降级图像噪声副本，理论分析表明这对于早期停止是最优的。该方法在三种新算法中实现，在各种图像恢复问题上始终优于现有技术，且无需噪声水平估计。
-
DIPLI框架利用深度学习增强天文图像修复
研究人员开发了DIPLI，一种利用深度图像先验（DIP）和多帧处理的用于修复天文图像的新型框架。与传统的深度学习方法不同，DIPLI不需要大型标记数据集，并解决了DIP的过拟合和不稳定性限制。该框架通过TVNet模型整合了密集光流估计，并使用随机梯度 Langevin 动力学（SGLD）进行蒙特卡洛估计以获得改进的结果。