摘要
深度卷积网络已成为图像生成和恢复的常用工具。通常，它们的出色性能归因于从大量示例图像中学习到逼真的图像先验的能力。在本文中，我们展示了相反的观点，即生成器网络的结构本身足以在任何学习之前捕捉大量的低层次图像统计信息。为了证明这一点，我们展示了随机初始化的神经网络可以用作手工设计的先验，并在诸如去噪、超分辨率和修复等标准逆问题中取得优异的结果。此外，同一先验还可以用于反转深度神经表示以诊断其性能，并基于闪光灯-非闪光灯输入对恢复图像。除了其多样化的应用外，我们的方法还突显了标准生成器网络架构所捕获的归纳偏置。它还弥合了两种非常流行的图像恢复方法之间的差距：基于深度卷积网络的学习方法和基于手工设计图像先验（如自相似性）的无学习方法。代码和补充材料可从以下网址获取：https://dmitryulyanov.github.io/deep_image_prior 。