Reddit热点 | 想看被打码的羞羞图片怎么办?CNN帮你解决

翻译 | 刘畅

编辑 | Donna,波波

超分辨重构是图像处理领域地一项非常有趣的任务。它可以通过算法将一张低分辨率的图片放大成一张高分辨率地图片。这个事情乍一听挺简单的,普通的插值算法即可胜任。但其实里面大有玄机,尤其是细节的恢复。

目前该领域的发展引入了深度学习的方法,各种针对超分辨重构任务设计的深度学习网络结构层出不穷。

最近,来自俄罗斯斯科尔科沃科技研究院的博士生Dmitry Ulyanov,与其两个导师 Victor Lempitsky和Andrea Vedaldi,共同设计了一个无需在数据集上学习和预训练就可以完成超分辨率、修补和去噪这三个任务的方法,并且使损坏的图片有了惊人的修复结果。他们把整个过程在论文《Deep Image Prior》中进行了详细描述,并在Reddit上炸开了锅。

三位来自俄罗斯的深度学习学者

以上是三位研究人员用深度神经网络分析了几个图像恢复问题。研究人员称,他们从未使用数据集来训练或预先训练过它们,而是作为一个结构化的图像整体。

基本概述

深度卷积网络已经成为一种流行的图像生成和恢复工具。一般来说,这种工具的优秀通常体现在他们能从大量示例图像中学习到真实图像先验信息的能力。但是,我们得出了一个相反的结果:在进行任何学习之前,这种神经网络架构就可以获取到足够的低级图像统计信息!

为了证实这一点,我们将随机初始化的深度卷积网络作为手工输入的先验信息,并在图像去噪、超分辨重构与图像修补等标准逆向问题上获取到出色的结果。此外,同样的先验信息可以通过神经网络结构的逆表达来诊断他们,并且基于flash-no flash输入对来恢复图像。

我们的技术除了可以在许多领域得到应用,还突出了由标准的网络架构生成器得到的归纳偏置。它可以缩小两个非常受欢迎的图像恢复方法类别之间的差距:使用深度卷积网络的基于学习的方法和基于手工图像先验(例如自相似性)的免学习方法。

算法核心思想

在图像恢复问题中,目标是恢复具有损坏的图像X0的原始图像X。公式化为一个优化问题就是:

其中E(x;x0) 是数据项,R(x) 是图像的先验信息。数据项E(x;x0) 通常易于设计并用于各种问题,如图像的超分辨率,去噪,修补,然而图像的先验信息R(x) 是很具有挑战性的一项。如今的趋势是通过使用大量的示例对ConvNet进行训练来得到先验信息R(x) 。我们首先注意到,对一个满射函数g:θ→x,理论上以下过程等同于公式(1)

实践发现,函数g大大改变了通过优化方法对图像空间进行搜索的方式。此外,通过选择一个“好”(可能是内射函数)的映射g,我们可以去掉先验信息这一项。我们定义函数g(θ) 为fθ(z),其中f就是带参数θ的深度ConvNet函数。然后z是一个固定输入。因此产生了公式

在这个公式里,网络结构fθ是随意初始化的, 然后z是一个带噪音的固定输入。

换句话说,我们不是在图像空间中寻找答案,而是在神经网络的参数空间中寻找答案。我们想强调的是我们没有使用预训练的网络或图像数据集。即在图像恢复过程中只使用了损坏的图像X0。

附:本文尝试的所有图像恢复事例:

作者 | Dmitry Ulyanov, Victor Lempitsky,Andrea Vedaldi 论文链接: https://sites.skoltech.ru/app/data/uploads/sites/25/2017/11/deep_image_prior.pdf

原文发布于微信公众号 - AI科技大本营(rgznai100)

原文发表时间:2017-12-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏超然的博客

Context-Aware Network Embedding for Relation Modeling

论文:http://www.aclweb.org/anthology/P17-1158

1801
来自专栏大数据文摘

干货 | Active Learning: 一个降低深度学习时间,空间,经济成本的解决方案

2222
来自专栏数据科学与人工智能

【机器学习】机器学习算法预览

在这篇文章中,我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉,让你知道什么样的方法是可靠的。 这里有很多算法都...

2635
来自专栏磐创AI技术团队的专栏

谱聚类概述

1593
来自专栏磐创AI技术团队的专栏

目标检测算法上手实战

从广义上说,计算机视觉就是“赋予机器自然视觉能力”的学科。计算机视觉与人工智能有密切联系,但也有本质的不同。人工智能更强调推理和决策,但至少计算机视觉目前还主要...

5576
来自专栏人工智能头条

“照骗”难逃Adobe的火眼金睛——用机器学习让P图无所遁形

861
来自专栏新智元

【破解人类识别文字之谜】对图像中的字母进行无监督学习

【新智元导读】Nature 子刊 Nature Human Behavior 上最新发表了一篇关于人类行为的研究,通过对自然图像中的字母进行无监督学习,探讨了人...

3487
来自专栏机器之心

资源 | 神经网络告诉我,谁是世界上最「美」的人?

选自TowardsDataScience 作者:Dima Shulga 机器之心编译 参与:路、刘晓坤 「魔镜魔镜告诉我,谁是世界上最美的女人?」这句伴随童年的...

3024
来自专栏一心无二用,本人只专注于基础图像算法的实现与优化。

使用局部标准差实现图像的局部对比度增强算法。

      图像的对比度增强算法在很多场合都有着重要的应用,特别是在医学图像上,这是因为在众多疾病的诊断中,医学图像的视觉检查时很有必要的。而医学图像由于本身及...

3389
来自专栏AI研习社

详解基于朴素贝叶斯的情感分析及Python实现

相对于「 基于词典的分析 」,「 基于机器学习 」的就不需要大量标注的词典,但是需要大量标记的数据,比如: 还是下面这句话,如果它的标签是: 服务质量 - 中 ...

4118

扫码关注云+社区

领取腾讯云代金券