极客视点
极客时间编辑部
极客时间编辑部
113231 人已学习
免费领取
课程目录
已完结/共 3766 讲
2020年09月 (90讲)
时长 05:33
2020年08月 (93讲)
2020年07月 (93讲)
时长 05:51
2020年06月 (90讲)
2020年05月 (93讲)
2020年04月 (90讲)
2020年03月 (92讲)
时长 04:14
2020年02月 (87讲)
2020年01月 (91讲)
时长 00:00
2019年12月 (93讲)
2019年11月 (89讲)
2019年10月 (92讲)
2019年09月 (90讲)
时长 00:00
2019年08月 (91讲)
2019年07月 (92讲)
时长 03:45
2019年06月 (90讲)
2019年05月 (99讲)
2019年04月 (114讲)
2019年03月 (122讲)
2019年02月 (102讲)
2019年01月 (104讲)
2018年12月 (98讲)
2018年11月 (105讲)
时长 01:23
2018年10月 (123讲)
时长 02:06
2018年09月 (119讲)
2018年08月 (123讲)
2018年07月 (124讲)
2018年06月 (119讲)
时长 02:11
2018年05月 (124讲)
时长 03:16
2018年04月 (120讲)
2018年03月 (124讲)
2018年02月 (112讲)
2018年01月 (124讲)
时长 02:30
时长 02:34
2017年12月 (124讲)
时长 03:09
2017年11月 (120讲)
2017年10月 (86讲)
时长 03:18
时长 03:31
时长 04:25
极客视点
15
15
1.0x
00:00/02:12
登录|注册

神经网络上无需训练的深度图像先验

讲述:丁婵大小:1.01M时长:02:12
2017 年底,牛津和 Skolkovo 科技研究所的研究人员详细介绍了他们在“深度图像先验(deep-image priors)”方面的工作。直观上讲,深度图像先验以提供的抽样为基础,让一张有噪声或者失真的图像看起来和原来一样。如果,他们的工作能更进一步,那么不需要参看原始图像,也不需要训练,就可以达到这个目的。
通过卷积图像生成器结构就可以获取大量的图像统计特性,这项研究的重点是超分辨率、去噪、图像重建和修复。他们创建并证明了一个生成式神经网络,不需要提前训练,也不需要让他们渲染出原始图像的数据库,其结果与研究论文中提到的标准不相上下,而该标准是基于训练好的深度卷积神经网络或 ConvNets。
研究人员断言,与任何学习相比,生成式神经网络的结构足以捕获大量的底层图像统计特性的先验知识。研究显示,一个随机初始化的神经网络可以用作人造先验知识,并且在标准的逆问题中取得不错的效果,如去噪、超分辨率、图像修复等,而且填补了两类常用图像复原方法之间的空白,也就是使用 ConvNets 以学习为基础的方法和基于人造图像先验知识的免学习方法。
该团队使用 Python 的 Torch 库实现了生成式神经网络,他们开发了一些模块,专门处理由黑白相间或“电视噪声”、像素置乱、图像掩蔽等问题导致的图像噪声、失真、干涉。图像修复的过程就是删除图像“遮罩”的过程,如版权水印。PNG 文件经过神经网络处理后输出的样例表明,神经网络成功识别并删除了类似这样覆盖在原始图像之上的东西。
网络本身会交替使用卷积、提升采样、非线性活化等过滤操作,同时,研究显示,网络会抵制“糟糕”的解决方案,向着看上去更自然的图像加速下降。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结
该免费文章来自《极客视点》,如需阅读全部文章,
请先领取课程
免费领取
登录 后留言

精选留言

由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论
显示
设置
留言
收藏
5
沉浸
阅读
分享
手机端
快捷键
回顶部