摘要

深度卷积网络已成为图像生成与修复领域的常用工具。通常认为，其卓越性能源于能够从大量样本图像中学习到逼真的图像先验知识。然而，在本文中，我们表明，恰恰相反，生成器网络的结构本身便足以在任何学习过程之前捕获大量低层图像统计特性。为此，我们证明了随机初始化的神经网络可作为手工设计的先验，从而在去噪、超分辨率和图像修复等标准逆问题中取得优异效果。此外，该先验还可用于反演深度神经网络的表征，以实现模型诊断，以及基于“有闪光-无闪光”图像对进行图像恢复。除了其广泛的应用前景外，本方法凸显了标准生成器网络架构所蕴含的归纳偏置，同时也弥合了两类主流图像修复方法之间的鸿沟：一类是基于深度卷积网络的学习型方法，另一类则是基于手工设计图像先验（如自相似性）的非学习型方法。代码与补充材料详见：https://dmitryulyanov.github.io/deep_image_prior。