魔鬼在上采样中：深度图像先验去噪中简化的架构决策

深度图像先验（DIP）表明，某些网络架构天然偏向于平滑图像并抑制噪声，这一现象被称为谱偏置。图像去噪是该性质的直接应用。尽管 DIP 消除了对大型训练集的需求，但在去噪方面仍存在两个实际挑战：架构设计与噪声过拟合，且二者常相互交织。现有方法多因缺乏对架构选择如何对应图像的理解，而从庞大设计空间中手工设计或搜索架构。本研究从频率视角分析，证明未学习的上采样是 DIP 中去噪现象的主要驱动力。该发现进而引出为每幅图像估计合适架构而无需繁琐搜索的策略。大量实验表明，所估计的架构比当前方法去噪效果更好、纹理细节保留更优，且参数最多减少 95%。其欠参数化特性也使其对更高水平噪声尤为鲁棒。