单样本图像恢复

图像恢复，或图像处理中的逆问题，长期以来一直是一个广泛研究的课题。近年来，监督学习方法已成为解决此任务的流行策略。不幸的是，大多数基于监督学习的方法在计算资源和训练数据（样本复杂度）方面要求很高。此外，训练模型对领域变化敏感，例如不同的采集系统、信号采样率、分辨率和对比度。在这项工作中，我们试图回答一个基本问题：监督学习模型能否仅通过从一张图像甚至一张图像的一部分学习就能很好地泛化？如果可以，那么需要多少最小数量的补丁才能达到可接受的泛化？为此，我们专注于一个高效的基于补丁的学习框架，该框架只需要一个图像输入-输出对进行训练。实验结果表明了所提方法在监督图像去模糊和超分辨率中的适用性、鲁棒性和计算效率。我们的结果展示了学习模型在样本效率、泛化能力和时间复杂度方面的显著改进，有望用于未来的实时应用，并应用于其他信号和模态。