UGoDIT：基于可迁移权重的无监督群深度图像先验
计算机视觉与模式识别
2025-05-20 v1 机器学习
图像与视频处理
摘要
近期数据主义深度生成模型的进展在解决逆向成像问题方面取得了显著进展。然而，这些模型（如扩散模型）通常需要大量完全采样（干净）训练数据，而在医学和科学领域如动态成像中往往难以实现。另一方面，无训练数据的方法如深度图像先验（DIP）不需要干净的 ground-truth 图像，但会uffer noise 过拟合，且在为每个测量集合独立优化网络参数时计算成本高昂。此外，DIP 方法常忽视了利用在训练期间可用的最少子采样测量向量（或退化图像）学习先验的潜力。本文提出 UGoDIT，即一种通过可迁移权重实现的无监督群 DIP，旨在解决数据稀缺的场景，即仅在训练时拥有极少数量 M 个子采样测量向量。该方法通过优化共享编码器和 M 个解缠解码器来学习一组可迁移权重。在测试时，我们使用 DIP 网络重建未见的退化图像，其中部分参数固定为所学权重，其余参数则优化以满足测量一致性。我们在医学（多线圈 MRI）和自然（超分辨率和非线性去模糊）图像恢复任务下进行评估，结果显示在 various 设置下均有效。与最新的独立 DIP 方法相比，UGoDIT 具备加速收敛和显著提升重建质量的优势。此外，尽管未要求大量干净训练数据，UGoDIT 的性能也与基于 SOTA DM 方法和监督方法相当。
引用
@article{arxiv.2505.11720,
title = {UGoDIT: Unsupervised Group Deep Image Prior Via Transferable Weights},
author = {Shijun Liang and Ismail R. Alkhouri and Siddhant Gautam and Qing Qu and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2505.11720},
year = {2025}
}