All One Needs to Know about Priors for Deep Image Restoration and Enhancement: A Survey

要約

画像の復元と強調は、ノイズ、ブラー、解像度の低下などの劣化を取り除くことによって画質を向上させるプロセスです。
ディープラーニング（DL）は、最近、画像の復元と強化に適用されています。
その不適切な特性のために、多くの研究が、ディープニューラルネットワーク（DNN）のトレーニングを容易にするための事前確率を調査してきました。
ただし、事前調査の重要性は、研究コミュニティでこれまで体系的に研究および分析されていません。
したがって、この論文は、深い画像の復元と強化のための事前確率の最近の進歩の包括的な概要を提供する最初の研究として役立ちます。
私たちの仕事は5つの主要な内容をカバーしています。（1）深い画像の復元と強調のための事前確率の理論的分析。
（2）DLベースの方法で一般的に使用される事前の階層的および構造的な分類法。
（3）原則、可能性、および用途に関する各事前情報に関する洞察に満ちた議論。
（4）コミュニティでより多くの研究を促進するための潜在的な将来の方向性を強調することによる重大な問題の要約。
（5）言及されたすべての作品とコードリンクの分類法を提供するオープンソースリポジトリ。

要約(オリジナル)

Image restoration and enhancement is a process of improving the image quality by removing degradations, such as noise, blur, and resolution degradation. Deep learning (DL) has recently been applied to image restoration and enhancement. Due to its ill-posed property, plenty of works have explored priors to facilitate training deep neural networks (DNNs). However, the importance of priors has not been systematically studied and analyzed by far in the research community. Therefore, this paper serves as the first study that provides a comprehensive overview of recent advancements of priors for deep image restoration and enhancement. Our work covers five primary contents: (1) A theoretical analysis of priors for deep image restoration and enhancement; (2) A hierarchical and structural taxonomy of priors commonly used in the DL-based methods; (3) An insightful discussion on each prior regarding its principle, potential, and applications; (4) A summary of crucial problems by highlighting the potential future directions to spark more research in the community; (5) An open-source repository that provides a taxonomy of all mentioned works and code links.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google