IJCV2024 | 北大、哈工大、清华联合提出无需GT的自监督图像重建网络学习方法。代码已开源！

主要观点总结

本篇文章介绍了一种无需GT的自监督图像重建网络学习方法，由北大、哈工大、清华联合提出。该方法通过自监督的方式学习一个支持任意采样率和采样矩阵的重建网络，并使用双域自监督损失函数约束网络产生符合“交叉观测一致性”和“降采样—重建一致性”的结果。同时，提出了一种基于协同表示的图像重建网络，结合迭代优化算法的显式结构设计启发与神经网络模块的隐式正则化约束。实验结果表明，该方法在多个测试集、数据类型和任务上表现出优异的重建效果。

关键观点总结

关键观点1: 无需GT的自监督图像重建网络学习方法

介绍了一种无需GT（Ground Truth）的自监督图像重建网络学习方法，通过自监督方式学习一个支持任意采样率和采样矩阵的重建网络。

关键观点2: 双域自监督损失函数

使用双域自监督损失函数约束网络，产生符合“交叉观测一致性”和“降采样—重建一致性”的结果。

关键观点3: 基于协同表示的图像重建网络

提出了一种基于协同表示的图像重建网络，结合迭代优化算法的显式结构设计启发与神经网络模块的隐式正则化约束，展现出强大的表征能力。

关键观点4: 实验结果

在多个测试集、数据类型和任务上表现出优异的重建效果，展现出对训练时未见过的采样矩阵与采样率的出色泛化能力。