2017 年，牛津和 Skolkovo 科技研究所的研究人员详细介绍了他们在“深度图像先验（deep-image priors）”方面的工作。直观上讲，深度图像先验以提供的抽样为基础，让一张有噪声或者失真的图像看起来和原来一样。但是，他们的工作更进一步，他们不需要参看原始图像，也不需要训练，就可以达到这个目的。
这项研究的重点是超分辨率、去噪、图像重建和修复。他们创建并证明了一个生成式神经网络，不需要提前训练，也不需要能够让他们渲染出原始图像的数据库。其结果与研究论文中提到的标准不相上下，而该标准是基于训练好的深度卷积神经网络或 ConvNets。研究人员 Ulyanov、Vedaldi、Lempitsky 断言：
该团队使用 Python 的 Torch 库实现了生成式神经网络。他们开发了一些模块，专门处理由黑白相间或“电视噪声”、像素置乱、图像掩蔽等导致的图像噪声、失真、干涉。图像修复的过程就是删除图像“遮罩”的过程。遮罩是诸如图片库中的版权水印这样的东西，但是，通常的图象掩蔽演示都是用于示例代码中。PNG 文件经过神经网络处理后输出的样例表明，神经网络成功识别并删除了类似这样覆盖在原始图像之上的东西。
他们的发现挑战了 ConvNets 从数据中学习现实先验的能力推动了他们的成功的观点。该团队指出，他们的“瑞士军刀法”是计算密集型的，一张 512x512 像素的图像就需要几分钟 GPU 时间。上提供了 Python 代码，包括 Jupyter Notebooks 和样例数据。
查看英文原文 ：Deep Image Priors on Neural Networks With No Training
