面向深度图像先验的原则化自引用早停方法
计算机视觉与模式识别
2026-05-29 v2 机器学习
摘要
最近，深度图像先验（Deep Image Prior, DIP）在无训练数据环境下通过优化随机初始化的卷积神经网络，展示了解决逆向成像问题（IIPs）的强大能力。然而，DIP 因网络过度参数化导致对噪声测量的过拟合，使得早停（early stopping, ES）至关重要。目前最成功的 ES 方法通过跟踪网络输出波动的运行方差来检测过拟合。然而，在许多应用中，这些波动可能过早出现，导致重建不稳定。本文首先表明，在获得两个独立噪声副本时，可实现近乎最优的 DIP 早停。基于此观察（由于获取两个完全独立副本不可行），我们提出了基于构建伪自引用图像的过拟合检测框架， resulting in three IIP-specific algorithms. 本方法通过单参考验证、伪验证估计以及共享噪声影响的理论结果得到支持。在从自然图像修复到医学图像重建的不同 IIPs 中，以及在不同噪声水平和噪声类型下，我们的方法始终优于现有的 DIP 早停方法，且无需精确估计噪声水平。
引用
@article{arxiv.2605.25299,
title = {A Principled Self-Referenced Early Stopping Approach for Deep Image Prior},
author = {Chaoyan Huang and Cheng-Han Huang and Ismail R. Alkhouri and Rongrong Wang},
journal= {arXiv preprint arXiv:2605.25299},
year = {2026}
}
备注
35 pages, 10 figures, 14 tables