Priorité d'Image Profonde

Les réseaux de neurones à convolution profonde sont devenus un outil populaire pour la génération et la restauration d'images. Généralement, leurs performances exceptionnelles sont attribuées à leur capacité d'apprendre des a priori réalistes d'images à partir d'un grand nombre d'exemples. Dans cet article, nous montrons que, contrairement aux idées reçues, la structure d'un réseau générateur est suffisante pour capturer une grande quantité de statistiques d'images de bas niveau avant tout apprentissage. Pour ce faire, nous démontrons qu'un réseau neuronal initialisé aléatoirement peut être utilisé comme un a priori conçu manuellement avec des résultats excellents dans les problèmes inverses standards tels que le débruitage, la sur-résolution et l'inpainting.De plus, le même a priori peut être utilisé pour inverser les représentations neuronales profondes afin de les diagnostiquer et pour restaurer des images basées sur des paires d'entrées flash-no flash. Outre ses diverses applications, notre approche met en lumière le biais inductif capturé par les architectures standard des réseaux générateurs. Elle établit également un pont entre deux familles très populaires de méthodes de restauration d'images : les méthodes basées sur l'apprentissage utilisant des réseaux de neurones à convolution profonde et les méthodes sans apprentissage basées sur des a priori conçus manuellement tels que l'autosimilarité. Le code source et les documents complémentaires sont disponibles à l'adresse suivante : https://dmitryulyanov.github.io/deep_image_prior .