用于图像复原的多级编码器-解码器架构

许多现实世界中的图像复原方案是无学习的，并基于手工设计的图像先验（如自相似性）。近来，使用训练数据的深度学习方法在各种图像复原任务（例如超分辨率和修复）中取得了最先进的结果。Ulyanov等人弥合了这两类方法之间的差距（CVPR 18）。他们表明无学习方法的表现接近最先进的基于学习的方法（约差1 PSNR）。他们的方法得益于编码器-解码器网络。在本文中，我们提出了一个基于编码器-解码器网络多级扩展的框架，以研究与学习无关的图像复原与网络构建之间关系的有趣方面。我们的框架通过修改以下网络组件允许各种网络结构：跳跃连接、将网络输入级联到中间层、编码器-解码器子网络的组合以及网络深度。这些手工设计的网络结构说明了未训练网络的构建如何影响以下图像复原任务：去噪、超分辨率和修复。我们还展示了使用闪光与无闪光图像对的图像重建。我们提供了与上述所有复原任务的最先进方法的性能比较。