الصورة العميقة السابقة

الشبكات العصبية التلافيفية العميقة أصبحت أداة شائعة لتكوين الصور وإعادة ترميمها. عمومًا، يُنسب أداؤها الممتاز إلى قدرتها على تعلم معايير صورية واقعية للصور من خلال عدد كبير من الصور النموذجية. في هذا البحث، نوضح أن، بالعكس من ذلك، بنية شبكة التوليد كافية لالتقاط الكثير من الإحصاءات الصورية ذات المستوى المنخفض قبل أي عملية تعلم. لتحقيق ذلك، نظهر أن شبكة عصبية تم تهيئتها بشكل عشوائي يمكن استخدامها كمعيار مصمم يدويًا مع نتائج ممتازة في المسائل العكسية القياسية مثل إزالة الضوضاء (denoising)، زيادة الدقة (super-resolution)، وإعادة الرسم (inpainting). بالإضافة إلى ذلك، يمكن استخدام نفس المعيار لإعادة تحويل التمثيلات العصبية العميقة لتشخيصها وإعادة ترميم الصور بناءً على أزواج مدخلات تحتوي على ضوء فلاش وبدونه.بجانب تطبيقاتها المتعددة، فإن نهجنا يسلط الضوء على التحيز الاستقرائي الذي يتم التقاطه بواسطة هياكل شبكات التوليد القياسية. كما أنه يربط الفجوة بين عائلتين شهيرتين جدًا من طرق إعادة ترميم الصور: الطرق القائمة على التعلم باستخدام الشبكات العصبية التلافيفية العميقة والطرق التي لا تعتمد على التعلم والمبنية على مقاييس صورية مصممة يدويًا مثل الذاتية الشبه (self-similarity). الرمز البرمجي والمواد الإضافية متاحة على الرابط:https://dmitryulyanov.github.io/deep_image_prior .