哇酷-_-哇酷- 2022-06-17 其实可以从这个角度理解image prior，网络先学习到的或者容易学习到的是image的低频信息LF 而噪声都是高频HF的 所以网络restore的时候先讲LF信息恢复了 不恢复HF信息 就是降噪了。但同时也有缺点 一方面是噪声的HF信息和图像自己的边缘HF信息很容易混在一起 这也是denoising的难点；另一方面是我们不知道到底恢复到什么程度 才算是恢复了图像的所有LF信息而不包括噪声HF信息 这点没有先验知识似乎很难解。所以image prior像是证明了一个容易理解的问题 但也没有给出很好的解法 ♥ 30 ↩ 3
时间滴滴哒0605 2022-11-11 我觉得补全任务那里是不是讲的不太对呀，补全的mask并不是在缺失的地方去逼近，而是在没有缺失的地方去逼近，然后缺失的地方就会在迭代的过程中生成。因为这是一个无监督的过程，mask的地方没有groundtruth也就没法逼近 ♥ 8
Comments
其实可以从这个角度理解image prior，网络先学习到的或者容易学习到的是image的低频信息LF 而噪声都是高频HF的 所以网络restore的时候先讲LF信息恢复了 不恢复HF信息 就是降噪了。但同时也有缺点 一方面是噪声的HF信息和图像自己的边缘HF信息很容易混在一起 这也是denoising的难点；另一方面是我们不知道到底恢复到什么程度 才算是恢复了图像的所有LF信息而不包括噪声HF信息 这点没有先验知识似乎很难解。所以image prior像是证明了一个容易理解的问题 但也没有给出很好的解法
♥ 30 ↩ 3
我觉得补全任务那里是不是讲的不太对呀，补全的mask并不是在缺失的地方去逼近，而是在没有缺失的地方去逼近，然后缺失的地方就会在迭代的过程中生成。因为这是一个无监督的过程，mask的地方没有groundtruth也就没法逼近
♥ 8
学习了，非常受启发[tv_点赞]再去研读一下论文 另外这个收敛速度差异的性质也许可以用来判断样本的信噪比？准备试试用在时序数据上
♥ 2 ↩ 4
受到启发
♥ 1
厉害了up主，正好在写这篇的分析report
不就是过拟合吗？[笑哭]
↩ 2