NAS-DIP：基于神经架构搜索学习深度图像先验
计算机视觉与模式识别
2020-08-27 v1
摘要
近期的工作表明，深度卷积神经网络的结构可被用作结构化图像先验，以解决各种图像逆恢复任务。不同于使用手工设计的架构，我们提出搜索能够捕获更强图像先验的神经架构。基于通用的 U-Net 架构，我们的核心贡献在于为（1）上采样单元和（2）跨尺度残差连接模式设计了新的搜索空间。我们利用现有的神经架构搜索算法（使用带有循环神经网络控制器的强化学习）来搜索改进的网络。我们通过广泛的应用验证了该方法的有效性，包括图像恢复、去雾、图像到图像翻译以及矩阵分解。大量实验结果表明，我们的算法优于 SOTA 的免学习方法，并在某些情况下达到了与现有基于学习方法相当的竞争性能。
引用
@article{arxiv.2008.11713,
title = {NAS-DIP: Learning Deep Image Prior with Neural Architecture Search},
author = {Yun-Chun Chen and Chen Gao and Esther Robb and Jia-Bin Huang},
journal= {arXiv preprint arXiv:2008.11713},
year = {2020}
}
备注
ECCV 2020. Project: https://yunchunchen.github.io/NAS-DIP/ Code: https://github.com/YunChunChen/NAS-DIP-pytorch The first two authors contributed equally to this work