深度学习无监督图像增强技术探究：Deep Image Prior与EnlightenGAN

"这篇文档包含了对两篇关于深度学习在图像处理中应用的文献的调研。第一篇是Deep Image Prior，发表于CVPR2018，主要探讨了如何利用未训练的卷积神经网络（CNN）恢复图像，强调了图像的内在统计学特性。第二篇是EnlightenGAN - Deep Light Enhancement without Paired Supervision，这是一个在无配对监督下进行图像亮度增强的深度学习方法，发表于IEEE TIP 2021。" 在第一篇论文《Deep Image Prior》中，作者Ulyanov等人提出了一种新颖的观点，即图像的结构信息并非来自训练，而是由卷积操作本身产生。他们通过使用随机初始化的、未经训练的CNN来恢复受损图像，证明了自然图像的局部规律和自相似性是如此强大，以至于网络无需看到其他图像或正常的未损坏图像就能进行有效的恢复。这种方法将图像恢复任务转化为一个能量最小化的优化问题，其中R(x)是一个正则化项，用于捕获自然图像的通用先验。通过使用CNN隐式地提取这种先验，他们能够在没有训练数据的情况下处理去噪、超分辨率和图像修复等任务。然而，这种方法的一个主要缺点是计算速度较慢，且难以确定最佳的迭代停止时机。 第二篇论文《EnlightenGAN: Deep Light Enhancement without Paired Supervision》则聚焦于图像亮度增强的问题。EnlightenGAN是一种无配对监督的深度学习框架，旨在提升暗图像的亮度和对比度，而不依赖于成对的明亮和暗图像进行训练。这种方法的创新之处在于，它能够学习到光照条件变化的潜在表示，并以此来提升图像的亮度，同时保持图像的细节和色彩保真度。EnlightenGAN的实现不仅提高了图像的视觉效果，而且在无监督的环境中具有广泛的应用潜力。 两篇论文均展示了深度学习在图像处理中的强大能力，即使在缺乏大量标注数据的情况下，也能通过挖掘图像内在的统计特性或者学习光照表示来实现高质量的图像恢复和增强。这些方法对于实际应用，如摄影、监控视频增强以及医疗影像处理等领域，都具有重要的价值。