按年被提到
20172021 · 2 次2026
视觉、语音与图像生成›超分辨率与图像压缩·arXiv:1711.10925 · cs.CV

Deep Image Prior

深度图像先验
Dmitry Ulyanov, Andrea Vedaldi, Victor Lempitsky · 2017

随机初始化的卷积网络结构本身就是有效的图像先验

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2018-08-21 · 最近 2021-12-27
3不同的人
3活跃月份
3讨论串
1,661被引(OpenAlex)

与“网络靠从大量图片中学到真实图像先验才表现出色”的流行解释相反,论文表明生成网络的结构本身就足以在任何学习之前捕获大量低层图像统计。随机初始化的网络可以充当手工先验,在去噪、超分辨率和图像修复等标准逆问题中取得很好的效果;同一先验还可用于反演并诊断深层神经表示,以及基于闪光/无闪光图像对恢复图像。

HN 为什么提它

评论者认为它令人信服地说明卷积网络的结构本身就编码了自然图像外观的强先验,并称其思路简单到无需复杂数学就能自己复现。

方法难度 3 / 5约 40 分钟经得起时间
读之前最好知道
1卷积神经网络与生成网络
2图像逆问题(去噪、超分辨率、修复)
3图像先验与正则化
4归纳偏置(inductive bias)

学习路径

读这篇之前,按顺序读书架上的 1 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

Deep Image Prior 的核心是网络结构本身就是先验、过参数网络会先拟合自然信号再拟合噪声,这条路径只有一篇相关的泛化论文。

  1. 1
    Understanding deep learning requires rethinking generalization理解深度学习需要重新思考泛化 · 2016

    展示大网络能拟合随机标签与噪声,帮助理解为什么网络结构与早停决定它拟合什么。

    读抓住随机标签实验和对泛化的反思;对应 DIP 中拟合噪声慢于拟合自然图像的现象。

  2. 2
    Deep Image Prior深度图像先验 · 2017 · 就是这篇

    证明未经训练的随机初始化卷积网络结构本身就是有效的图像先验。

    读抓住用单张退化图像拟合网络并早停做去噪、超分、修复的做法。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐blt · 2018-08

“gives compelling evidence that the structure of convolutional neural networks already encodes strong knowledge about the appearance of natural images”

推荐它:有力证明 CNN 结构本身就编码了自然图像的强先验
This AI is bad at drawing but will try anyways原评论 ↗
推荐vintermann · 2021-12

“I had a lot of fun playing around with it when it came. The idea is dead simple, within reach to implement yourself with no complex mathematical understanding.”

推荐它:想法极简单,无需复杂数学就能自己实现,玩起来很有趣
HyperNeRF原评论 ↗
引用loser777 · 2021-02

“Deep Image Prior [1], which can reconstruct images while discarding noise”

举 Deep Image Prior 为例,说明能在重建图像时丢弃噪声
Adversarial.io – Fighting mass image recognition原评论 ↗