Deep Graph-Convolutional Image Denoising

主要贡献：

1. 提出使用non local receptive fields 的GCN，提出网络结构GDCN
2. 解决了ECC的两大问题：① 梯度消散问题；②超参问题
以下内容从两个贡献开始讨论。（ps:本人也是刚刚接触机器学习，有些地方希望大家指正）

non local receptive fields的GCN，————>GDCN

文章中提到在进行去噪是所使用的邻居信息是整个搜索框中的节点，也就是说，把整个窗口的节点信息全部用上了。这也就是所说的non local receptive fields吧

两个输入一个是经典的3*3卷积，称为local。
另一个是non local 部分，图连接的非局部像素的特征向量通过ECC的均值聚类产生

最终再讲两部分结合起来

网络结构GCDN

图中，先采用普通卷积层（3个分支），采用普通卷积的原因很好理解，如何图像本身有噪声，如果直接聚合邻居信息，会把噪声信息也聚合过来，先进行一步简单去噪，再将产生的三个信息输入到图卷积中，在联系起来，输入后面的图卷积中。
很明显，大结构是采用残差思想，使用四个低通滤波，一个高通滤波（这里我还没理解为什么这样设计）
对于GCN来说都是一个卷积层加上一个BN层再加上一个激活层。

https://arxiv.org/abs/1907.08448（原文链接）
https://arxiv.org/abs/1704.02901 （ECC卷积）