深度图像先验的贝叶斯视角
计算机视觉与模式识别
2019-04-17 v1 机器学习
机器学习
摘要
深度图像先验近来被引入作为自然图像的先验。它将图像表示为具有随机输入的卷积网络的输出。对于“推断”，执行梯度下降以调整网络参数，使输出与观测匹配。该方法在一系列图像重建任务上取得了良好性能。我们证明，当网络每层通道数趋于无穷时，深度图像先验渐近等价于一个平稳高斯过程先验，并推导了相应的核。这启发了一种贝叶斯推断方法。我们证明，通过使用随机梯度 Langevin 进行后验推断，我们避免了当前方法的一个缺陷——提前停止的需要，并改进了去噪与修复任务的结果。我们在若干一维与二维信号重建任务上说明了这些直觉。
引用
@article{arxiv.1904.07457,
title = {A Bayesian Perspective on the Deep Image Prior},
author = {Zezhou Cheng and Matheus Gadelha and Subhransu Maji and Daniel Sheldon},
journal= {arXiv preprint arXiv:1904.07457},
year = {2019}
}
备注
CVPR 2019