DeepRED: Tiefes Bildprior, angetrieben von RED

Inverse Probleme in der Bildgebung werden intensiv untersucht, wobei über die Jahre eine Vielzahl von Strategien, Werkzeugen und Theorien angehäuft wurden. Kürzlich hat dieses Feld durch das Auftreten von Tiefen-Lern-Techniken stark beeinflusst worden. Ein solcher Beitrag, der im Mittelpunkt dieser Arbeit steht, ist die Arbeit zum "Deep Image Prior" (DIP) von Ulyanov, Vedaldi und Lempitsky (2018). DIP bietet einen neuen Ansatz zur Regularisierung inverser Probleme, indem es verlangt, dass das rekonstruierte Bild aus einer gegebenen tiefen Architektur synthetisiert wird. Obwohl DIP als unsupervisierter Ansatz recht effektiv erwiesen hat, fallen seine Ergebnisse im Vergleich zu den neuesten Alternativen noch zurück.In dieser Arbeit streben wir an, DIP durch Hinzufügen eines expliziten Priors zu verbessern, der die gesamte Regularisierungseffekt verstärkt und so zu besseren rekonstruierten Bildern führt. Genauer gesagt schlagen wir vor, das Konzept der "Regularisierung durch Entrauschung" (Regularization by Denoising – RED) einzubeziehen, welches existierende Entrauscher für die Regularisierung inverser Probleme nutzt. Unsere Arbeit zeigt auf, wie DIP und RED zu einem hoch effektiven unsupervisierten Rekonstruktionsprozess vereint werden können, ohne dass eine Ableitung des gewählten Entrauschers erforderlich ist. Dies führt zu sehr guten Ergebnissen, die anhand mehrerer getesteter Probleme demonstriert werden.