利用深度解码器降低GAN图像先验的表示误差
机器学习
2025-10-28 v2 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
生成模型（如GAN）学习特定类别图像的显式低维表示，因此可用作解决图像复原和压缩感知等逆问题的自然图像先验。GAN先验在这些任务上展现了令人印象深刻的性能，但由于学到的近似图像分布与数据生成分布之间的不匹配，它们对于分布内和分布外图像都可能表现出显著的表示误差。在本文中，我们展示了一种通过将图像建模为GAN先验与深度解码器的线性组合来降低GAN先验表示误差的方法。深度解码器是一种欠参数化且最重要的未学习的自然信号模型，类似于深度图像先验（Deep Image Prior）。我们方法底层GAN的训练不需要特定逆问题的知识。对于压缩感知和图像超分辨率，我们的混合模型在分布内和分布外图像上均比单独的GAN先验和深度解码器表现出持续更高的PSNR。该模型提供了一种可扩展且低成本地利用逆问题中已学习和未学习图像恢复先验两者优势的方法。
引用
@article{arxiv.2001.08747,
title = {Reducing the Representation Error of GAN Image Priors Using the Deep Decoder},
author = {Mara Daniels and Paul Hand and Reinhard Heckel},
journal= {arXiv preprint arXiv:2001.08747},
year = {2025}
}