ISNAS-DIP：面向深度图像先验的图像特定神经架构搜索
计算机视觉与模式识别
2022-03-31 v2
摘要
近期研究表明，卷积神经网络（CNN）架构具有偏向低频的谱偏置，这一特性已在深度图像先验（DIP）框架下的多种图像复原任务中得到利用。网络在 DIP 框架中所施加的归纳偏置的益处取决于架构本身。因此，研究者们已探讨如何自动化搜索以确定性能最佳的模型。然而，常见的神经架构搜索（NAS）技术消耗大量资源且耗时。此外，现有方法针对整个图像数据集确定最佳模型，而非针对每幅图像独立确定，后者成本将高得令人望而却步。在本工作中，我们首先表明 DIP 框架中的最优神经架构是依赖于图像的。基于该洞见，我们进而提出一种面向 DIP 框架的图像特定 NAS 策略，其所需训练量远少于典型 NAS 方法，从而有效实现了图像特定 NAS。我们通过以下方式佐证所提策略的有效性：（1）在专为 DIP 构建的 NAS 数据集上展示其性能，该数据集包含来自特定搜索空间的 522 个模型；（2）在图像去噪、修复和超分辨率任务上开展大量实验。我们的实验表明，图像特定指标可将搜索空间缩减至一小部分模型，其中最佳模型优于当前用于图像复原的 NAS 方法。代码与数据集见 https://github.com/ozgurkara99/ISNAS-DIP。
引用
@article{arxiv.2111.15362,
title = {ISNAS-DIP: Image-Specific Neural Architecture Search for Deep Image Prior},
author = {Metin Ersin Arican and Ozgur Kara and Gustav Bredell and Ender Konukoglu},
journal= {arXiv preprint arXiv:2111.15362},
year = {2022}
}