用于深度图像恢复的按需学习

尽管用于图像恢复的机器学习方法前景广阔，但当前方法存在风险，即训练出的模型可能仅局限于在特定难度级别的图像损坏（如特定级别的噪声或模糊）上表现良好。首先，我们考察了传统“固化”模型的弱点，并证明训练通用模型来处理任意级别的损坏确实并非易事。然后，我们提出了一种按需学习算法，用于利用深度卷积神经网络训练图像恢复模型。其主要思想是利用反馈机制在需求最迫切的地方自生成训练实例，从而学习能够跨难度级别泛化的模型。在四个恢复任务——图像修复、像素插值、图像去模糊和图像去噪——以及三个不同的数据集上，我们的方法始终优于现有训练程序和课程学习替代方案。