One-Shot Image Restoration

图像复原，或称图像处理中的反问题，一直是一个被广泛研究的主题。近年来，基于监督学习的方法已成为解决这一任务的流行策略。不幸的是，大多数基于监督学习的方法在计算资源和训练数据（样本复杂性）方面要求极高。此外，训练好的模型对领域变化（如不同的采集系统、信号采样率、分辨率和对比度）也很敏感。在这项工作中，我们试图回答一个基本问题：监督学习模型能否仅通过学习一张图像甚至一部分图像而良好地推广？如果可以，那么需要多少最小的补丁才能实现可接受的泛化效果？为此，我们专注于一种高效的基于补丁的学习框架，该框架仅需要一对输入输出图像进行训练。实验结果证明了所提出方法在监督图像去模糊和超分辨率方面的适用性、鲁棒性和计算效率。我们的结果展示了学习模型样本效率、泛化能力和时间复杂度的显著提高，这有望为未来实时应用提供支持，并应用于其他信号和模态。

本文旨在回答一个基本问题：监督学习模型是否可以仅通过学习一张图像或甚至图像的一部分来实现良好的泛化？如果可以，那么实现可接受的泛化所需的最小补丁量是多少？

本文提出了一种高效的基于补丁的学习框架，仅需要单个图像输入输出对进行训练，以解决图像复原中的监督学习问题。该框架在样本效率、泛化能力和时间复杂度方面都取得了显著的改进。

本文的实验结果展示了所提出方法在监督图像去模糊和超分辨率方面的适用性、鲁棒性和计算效率。该方法大大提高了学习模型的样本效率、泛化能力和时间复杂度，可以用于未来的实时应用，并应用于其他信号和模态。

近年来，监督学习方法在图像复原中得到了广泛应用。然而，大多数基于监督学习的方法在计算资源和训练数据方面要求非常高，且对领域变化敏感。相关研究包括：《Deep Residual Learning for Image Restoration》、《Image Super-Resolution Using Deep Convolutional Networks》等。