深度图像先验分析与图像重建中的自引导利用
内容提要
该文综述深度图像先验（DIP）在反问题中的应用：将未经训练网络作为图像先验，用于压缩感知、去噪、去卷积、MRI重建、图像修复及对抗防御等任务，并结合RED正则化、核先验、神经架构搜索等改进，提升无监督恢复性能与视觉质量。
延伸解读
无监督恢复的实用价值
DIP 的核心优势在于无需预训练数据，直接利用未训练网络的结构作为先验。这使其特别适合医学影像、文物修复等训练数据稀缺或获取成本高的场景。文章列举的 MRI 重建、壁画修复等案例表明，DIP 能在缺乏成对干净数据时仍完成恢复任务，降低了数据依赖。
方法演进与性能提升
文章梳理了 DIP 的多种改进方向：结合 RED 正则化提升去噪效果，引入核先验优化去卷积，利用神经架构搜索自动设计更优先验，以及通过频率特征分析改进 MRI 重建。这些工作从不同角度弥补了原始 DIP 的不足，推动无监督恢复在 PSNR 和视觉质量上持续进步。
对抗防御中的新应用
DIP 还被拓展到对抗防御领域。文章提到一种基于 DIP 的重建防御框架，通过倒推干净样本，在白盒和防御感知攻击下均表现出优异防御效果，且重建图像视觉质量较高。这显示了 DIP 作为图像先验在安全领域的潜力，但实际部署时仍需考虑计算开销和攻击适应性。
理论支撑与超参数选择
文章指出，单层神经网络在适度超参数下可完美拟合任何信号，这为提前停止提供了理论依据。同时，将 DIP 视为 Tikhonov 函数优化而非网络优化，有助于理解其正则化本质。这些理论结果提醒实践者：网络架构和停止准则的选择对最终恢复质量至关重要。
Q&A
深度图像先验（DIP）是什么？它主要用来解决什么问题？
深度图像先验（DIP）是一种将未经训练的深度神经网络作为图像先验的方法，主要用于解决反问题，如图像恢复、压缩感知、去噪、去卷积、MRI重建、图像修复和对抗防御等。
DIP如何与RED正则化结合？这种结合有什么优势？
DIP与RED（Regularization by Denoising）结合，建立了一种高效的无监督反问题恢复流程。这种结合通过RED正则化提升了无监督恢复性能，并在多个测试问题上证明了有效性。
DIP在图像去卷积中如何引入核先验？效果如何？
在图像去卷积中，DIP引入核先验方法，实验结果表明该方法有助于提高学习无关的图像去卷积的性能，以PSNR和视觉效果为标准在六个标准测试图像上进行了实验。
DIP如何用于对抗防御？其防御效果如何？
基于深度图像先验提出了一种新颖有效的重建防御框架，将模型决策过程纳入防御范畴，通过倒推清晰的“干净样本”构造可正确识别的图像。实验表明，在白盒、防御感知攻击下，该方法表现出优异的防御效果且重建图像的视觉质量较高。
DIP在MRI重建中有哪些改进方法？
针对未经训练的神经网络在MRI重建中的应用，通过理解网络架构的频率特征，提出了两种与架构无关的改进方法，使得不合理设计的模型在性能上能够接近高性能模型。
神经架构搜索如何用于改进DIP？
使用神经架构搜索算法来寻找升级版的卷积神经网络，以用作结构化图像先验，从而进行各种反向图像恢复任务，通过大量实验结果验证了此方法的有效性。
