Key points are not available for this paper at this time.
أصبحت الشبكات العصبية التلافيفية العميقة أداة شائعة لتوليد الصور واستعادتها. عمومًا، يتم إرجاع أدائها الممتاز إلى قدرتها على تعلم الأساسيات الواقعية للصور من عدد كبير من صور المثال. في هذا البحث، نوضح أنه، على العكس، فإن هيكل شبكة المولد يكفي لالتقاط قدر كبير من إحصائيات الصورة ذات المستوى المنخفض قبل أي تعلم. من أجل القيام بذلك، نوضح أنه يمكن استخدام شبكة عصبية مُهيأة عشوائيًا كمعيار مُصنّع يدويًا مع نتائج ممتازة في المشاكل العكسية القياسية مثل إزالة الضوضاء، والتحسين الفائق، والترميم. علاوة على ذلك، يمكن استخدام نفس المعيار لعكس التمثيلات العميقة العصبية لتشخيصها، واستعادة الصور بناءً على أزواج الإدخال مع ومضات وإضاءة بدون ومضات. بصرف النظر عن تطبيقاتها المتنوعة، تسلط طريقتنا الضوء على التحيز الاستقرائي الذي تلتقطه هياكل شبكات المولدات القياسية. كما أنها تسد الفجوة بين عائلتين شائعتين جدًا من طرق استعادة الصور: الطرق المعتمدة على التعلم باستخدام الشبكات العصبية التلافيفية العميقة وطرق بدون تعلم تعتمد على معايير الصور المُصنّعة يدويًا مثل التشابه الذاتي.
درس ليمبيسكي وآخرون (الجمعة) هذا السؤال.
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: