BP-DIP:一种基于反投影的深度图像先验
图像与视频处理
2020-07-01 v2 机器学习
机器学习
摘要
深度神经网络是许多计算机视觉任务(包括图像复原)的非常强大的工具,展现出最先进的结果。然而,一旦训练时使用的观测模型与测试时使用的模型不匹配,深度学习方法的性能往往会下降。此外,大多数深度学习方法需要大量训练数据,而在许多应用中无法获取。为缓解这些缺点,我们提出结合两种图像复原方法:(i) 深度图像先验(DIP),它在测试时利用给定的退化图像从零开始训练卷积神经网络(CNN)。它不需要任何训练数据,并建立在 CNN 架构所施加的隐式先验之上;以及 (ii) 反投影(BP)保真项,它是先前 DIP 工作中通常使用的标准最小二乘损失的替代方案。我们在去模糊任务上展示了所提方法(称为 BP-DIP)的性能,并展示了其相对于普通 DIP 的优势,具有更高的 PSNR 值和更好的推理运行时间。
引用
@article{arxiv.2003.05417,
title = {BP-DIP: A Backprojection based Deep Image Prior},
author = {Jenny Zukerman and Tom Tirer and Raja Giryes},
journal= {arXiv preprint arXiv:2003.05417},
year = {2020}
}
备注
Accepted to EUSIPCO 2020. Link to code: https://github.com/jennyzu/BP-DIP-deblurring. 5 pages, 5 figures, 1 table