【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

置顶十小大

已于 2025-04-26 17:16:06 修改

阅读量9.7k

点赞数 144

分类专栏： Pytorch深度学习图像去噪算法100例（论文精读+复现）文章标签：人工智能深度学习计算机视觉图像处理图像去噪论文笔记 pytorch

于 2025-01-14 18:19:51 首次发布

本文链接：https://blog.csdn.net/qq_36584673/article/details/141501486

版权

Pytorch深度学习图像去噪算法100例（论文精读+复现）专栏收录该内容

该专栏为热销专栏榜第9名

260 篇文章 ¥299.90 ¥399.90

订阅专栏

前言

请先思考几个问题：

你是否在全网苦寻【图像去噪（Image Denoising）】的相关资料？
你的目标是否是看懂【图像去噪（Image Denoising）】的相关论文，复现代码，跑出结果，并试图创新？
你是否需要发表【图像去噪（Image Denoising）】的相关论文毕业？
你是否需要做【图像去噪（Image Denoising）】的相关项目，开发软件，研究算法，获得专利或者软著？
…

只要是与【图像去噪（Image Denoising）】有关的问题，那么请继续往下看。

以刚读研的研究生为例，进组后导师让你研究与【图像去噪（Image Denoising）】的相关课题，但又没有时间指导你，只能自己研究。

这个时候你该怎么办呢？刚入门的小白，什么也不了解，只能是自己搜集资料或者问师兄师姐。

如果你问师兄师姐，怎么搞科研啊？如何看懂论文啊？如何读懂复杂的代码啊？

他们大概率会回复你：硬啃。一句一句地读论文呢，一行一行地理解代码。无他，唯手熟尔。

你摇了摇头，觉得他们“自私”，没有把“看家本领”传授于你。于是，你开始像无头苍蝇一样，试图寻找好的学习方法，希望通过一种好的学习方法来提升科研效率。

想法很好，但浪费时间和精力，而且没有开始真正的学习，只是在学习的边缘徘徊。其实，就差一步，管它科研难不难，学就完事了。

学习无捷径，大道至简，先学起来，再慢慢修正学习路线，最后到达顶峰。

很幸运你看到了本文，本专栏的意义就在于用我走过的路，带领你开始学习，避免“找方法找资料”这种费时费力的弯路。领先实验室同门，早发论文，早做项目，受导师青睐，尽早达到毕业要求好去实习。

三年时间转瞬即逝，必须马上开始！而你要做的，只是认认真真的读完每一篇专栏内的文章即可，相信你一定会有收获，科研能力越来越强，顺利完成你的目标。

说点肺腑之言，感兴趣的话继续往下看。

适配人群

急需入门【图像去噪（Image Denoising）】的朋友，具体为：

看不懂论文、写不出代码、无创新思路的新手小白，希望快速入门
课题与去噪相关，需要发论文毕业的本科生和研究生（硕士、博士），缺乏科研能力以及论文写作经验的实验室难兄难弟
导师放养，不知道选择哪个方向入手的迷茫者
需要论文、专利、软著等评职称的相关人员
有做去噪相关项目的本科生、研究生（硕士、博士）、企业开发人员、算法工程师等

如果你符合上面的某一条，不用担心，继续往下看即可。

专栏简介

专栏名称暂定为【Pytorch深度学习图像去噪算法100例】。顾名思义，共三点限制：

专栏内涉及的算法都是基于深度学习的图像去噪算法。非深度学习的可能只介绍BM3D，用做实验对比方法的baseline（类似超分的Bicubic）。
所有算法都是基于Pytorch框架实现的。论文公开的源码是Pytorch的我们就基于源码复现，不是用Pytorch框架实现或者未公开源码的算法，我会用Pytorch重新复现一遍，以达成代码的统一，方便大家做实验。
图像去噪领域顶刊顶会文章精选100篇论文，复现100个源码（已达成，持续更新中）。

专栏内文章主要为两部分：【论文精读】与【论文复现】

论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译
论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算

综合而言，从大到小拆解模型结构，从小到大实现模型搭建。实现论文与源码的统一，深入理解论文行文逻辑与代码实现逻辑，融汇贯通二者思想，并学以致用。

更具体详细的内容见“阅读方法”。

专栏亮点

省时：图像去噪领域论文全覆盖，算法模型全，主流的算法模型都会涉及结合能搜集到的资料深入浅出解读，按顺序阅读即可，节省搜论文的时间。【论文复现】文章末尾会提供训练好各放大倍数下的最优性能（PSNR/SSIM）模型权重文件，读者可以下载直接使用，方便论文中实验部分方法对比（视觉效果和量化指标）或直接应用模型超分自己的图像数据。
省力：大白话讲解，手把手教学，带你读懂论文，跑通代码，提升代码能力，理解文章的算法和创新点，避免一个人对着论文死磕但还是不理解的情况出现。按部就班，肯定能跑出好的模型结果，帮助你了解论文内容和结构，积少成多，学会写论文。同时，让你少走弯路，避免模型调参四处碰壁，涉及的模型都提供训练好的权重文件，可以直接拿来测试自己的图像。
省事：努力做全网最全最好最详细的【图像去噪】专栏，专栏永久更新，第一时间更新最新的图像去噪领域，关注订阅后一劳永逸，关注账号后更新了会私信告知。有问题可以随时留言交流。

阅读方法

【论文精读】 文章结构按照论文的结构包含全文翻译、关键信息提炼，信息总结等。原文中的重点内容以黑色加粗呈现，我自己的总结和注解以红色加粗和绿色加粗呈现。阅读和之前工作相比创新改进的地方，如网络结构（重点）、损失函数等。

根据自身情况，选择以下 【论文精读】 的阅读方式：

有写论文需求的朋友：对照原论文，全文阅读。除了看懂论文提出的方法外，还需要培养“讲故事”能力，深化论文细节，为论文写作做准备。
想快速理解文章的朋友：略读文章翻译部分，重点看加粗红字的提炼总结。
只想了解文章创新：看摘要和介绍部分末尾提出的创新贡献+网络结构，然后直接跳转到文末的复现文章。

上述三种情况对应的论文结构：

Abstract （1、2、3；无论哪种情况都应该看摘要）
Introduction（1、2；搞懂motivation，找创新思路）
Related Work（1）
The Proposed Method（1、2、3；1全看，2和3看重点）
Experimental（1；实验部分重点在对应的【论文复现】文章中）
Conclusion （1）
补充：如果你符合第一种情况，那么应该以审稿人的角度来看文章。如果你是审稿人，你会先看哪里，后看哪里，重点看哪里，以及给这篇文章什么审稿结果？问题的答案就是你在写论文的时候应该注意的东西。

【论文复现】 文章结构：

跑通代码：拿到任何一个代码项目，首先要做的就是根据README.md先跑通，【复现】文章的第一部分就相当于README，即使用手册。每篇复现文章的第一部分均是详细的跑通步骤，包括设置配置文件、设置数据集和预训练模型路径、需要的依赖库、报错解决等。根据路径放置好数据集，跑通训练代码，训练完跑通测试代码。如果有已经训练好的模型，可以直接推理测试。
代码解析：详细讲解全部代码，注释丰富，网络结构以及相关参数与论文一致。代码结构一般为数据预处理、网络结构实现、训练、测试、其他补充代码。重点在于网络结构以及特殊损失函数的实现，其他部分大同小异。尽量复现出与原论文一致的结果。
总结与思考：记录复现过程中遇到的问题，思考可能的改进提升。附带完整代码和训练好的模型权重文件下载链接。

根据自身情况，选择以下 【论文复现】 的阅读方式：

只需要结果（去噪后的结果图像、计算测试集指标PSNR/SSIM）：只看1. 跑通代码
为了提升代码能力，实现论文与代码对应，改进结构：1.2.3全看

定价理由

专栏原价~~399.9~~，目前特价299.9，订阅满150人恢复原价，先到先得！！！

为什么选择本专栏？

和其他能搜到的去噪专栏相比，本专栏文章数量更多，质量更高。预计更新100个图像去噪算法，每个经典算法两篇文章（精读+复现），无源码文章一篇精读，还有其他基础知识、论文写作等文章，专栏预计总共更新250篇文章，平均每篇文章的价格为299.9/250 ≈ 1.19元，文章保质保量，专栏文章平均质量分为96。少吃半顿海底捞，就能解决一个大麻烦。

在这里插入图片描述

排行榜登顶：

在这里插入图片描述

其他兄弟专栏：
在这里插入图片描述

在这里插入图片描述

以硕士期间从研一到研二下学期一年半180天发出小论文计算，平均每天为299.9/180 = 1.66。也就是说，每天只花1.66元就可以获得一个一劳永逸的学习专栏，何乐而不为？对发论文、研究算法、做项目、以后找工作都有帮助，很快就可以回本。
以时间计算，180天只需每天花一小部分时间复现一篇论文，努力一下可以复现两篇，何况也不一定专栏内所有文章都看。试想一下，当其他人还在花费大量时间啃论文啃代码焦头烂额时，你已经不费吹灰之力，领先于人了。
为知识付费，为学习投资，形成知识体系，提升代码能力，还可以拓展人脉（私信我或加本文【与我联系】章节中的VX加交流群，订阅后可加订阅群），潜在价值远非价格可比。
避免毕业困难，自信受挫，失去学习热情

品质承诺

【论文精读】和【论文复现】文章保质保量。文章质量参考两篇DnCNN的置顶文章，请先试读：
【图像去噪】论文精读：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising（DnCNN）
【图像去噪】论文复现：新手入门必看！DnCNN的Pytorch源码训练测试全流程解析！为源码做详细注释！补充DnCNN-B和DnCNN-3的模型训练和测试！附各种情况下训练好的模型权重文件！
订阅后永久免费阅读专栏内全部文章，免费获取专栏内全部代码。
专栏内文章如不符合上述试读文章的质量，可全额退款，无任何风险。其他情况不予退款。

关于更新

本专栏永久更新。为了保证文章质量，更新速度会慢一些。更新了会群发消息通知，所以请订阅专栏的朋友一定要关注我，否则收不到更新通知。

关于答疑

订阅专栏后私信我加订阅群！交流群在

宗旨：先仔细阅读文章，有问题再问。

基础薄弱的同学先学深度学习基础，搞明白框架和执行逻辑，重点为pytorch（数据处理DataLoader、模型实现nn、训练相关）、cv2和PIL等图像处理基础，有的问题搜一搜，查一查，把基础打好。

欢迎提出以下问题：

专栏内文章中出现的错误和表意不明的内容；
代码报错；
与算法模型相关的讨论，改进等；
希望我后续出的文章，方向，功能需求等；
友好的讨论，各种方面都可以，论文、投稿、读研读博、当老师等；

符合以上条件的，我知无不言，作为一名高校教师，我很愿意和友好的学生沟通！工作很忙，空闲时间看见了就会回复。

以下评论和问题不回：

不友好的攻击与谩骂，没有礼貌的；比如：“这么简单的东西还收费”。你觉得简单，还有很多需要入门的小伙伴不觉得简单，不要用你的标准来评判他人；
不看文章一通乱问的；答案就在文章中，仔细阅读，文章写的很细致，问我我给你回答没有你仔细阅读效率高；
表述不明，完全不知所云的；不明白你的问题，自然无法解答；
上来就要代码的，想白嫖的，套话的；不要问我这个方案可不可以，能不能给个创新idea等厚脸皮的话。一切都要自己动手做，去试了才知道，谁有好的想法不都自己发文章了吗，还能告诉你吗？
我也不会的；我不是神仙什么都会，可以讨论，但不能要求我一定能回答上；

订阅专栏后的答疑是作为附加的增值服务，我没有义务什么离谱的问题都回答你，即使你花了钱也不行，每个人的标准不同，求同存异，友好相处，有问题有意见可以提，但别找骂。

环境配置

项目环境：

编译器：pycharm
cuda：torch 1.12.1
操作系统：windows11本地运行（RTX 4070Ti Super）本地运行或Linux服务器（4个Titan RTX GPU）

只要不是太差的显卡，专栏内的算法都可以跑。

不建议CPU运行。

复现文章中提供的代码在Windows和Linux下均可运行！

去噪概述

噪声主要分为两类：

合成噪声（Synthetic Noise），一般指在“干净”图像上添加高斯白噪声（Additive White Gaussian Noise，AWGN）
真实噪声（Real Noise），即相机拍照时图像上的真实噪声。一般以真实图像作为带噪图像输入，mean作为Ground-truth。

对应噪声分类，产生了两个不同的研究方向以及算法：

基于合成噪声：一般是高斯白噪，便于量化和设计实验；如DnCNN，FFDNet

合成噪声去噪示例：
在这里插入图片描述

基于真实噪声：真实世界的盲去噪问题，真实图像的噪声分布是未知的，可能是某些不同噪声类型和分布的叠加。有用泊松-高斯模拟，用ISP相机产生噪声的原理模拟等，属于摸着石头过河，需要很强的统计学、图像信号功底；如CBDNet，RIDNet，VDNnet

真实噪声去噪示例：
在这里插入图片描述

SIDD数据集上SOTA方法视觉效果大对比：

在这里插入图片描述

以及两者通用的算法。

文章目录

专栏内文章包含四大部分基础知识、数据集相关、去噪算法、论文相关。

其中，

基础知识包含深度学习基础、图像处理基础、指标计算、标准库使用；
数据集相关文章包含不好处理的数据集制作、读取、裁剪等；
去噪算法大体分为监督和非监督两类，监督类模型数据集中包含Ground-Truth，非监督一般没有Ground-Truth。此外，还有一些其他小方向的文章和与其他领域结合的文章；
论文相关包含科研绘图（神经网络结构图模板、视觉展示的局部放大图）、论文写作提纲；

文章目录按照科研顺序排列：打基础 → 处理好数据集 → 算法模型 → 写论文。

全流程保姆级安排，一个专栏即可毕业！

去噪算法目录按年份和模型性能综合排序，按顺序阅读。

基础知识

数据集相关

去噪算法

核心精炼大合集：【图像去噪】耗时999999个小时！一次看个够！专栏内100个去噪算法大合集，理论速览，核心精炼！内含每篇文章的参考文献Bib格式，论文写作必备！随取随用！（持续更新中）

有监督

有监督之模型改进类科研推荐路径：都跑通结果，跟自己提出的模型对比，选择一些作为对比方法。

半监督、无监督、自监督、Zero-Shot、扩散模型（本质也是无监督）、其他领域应用到去噪任务

自监督之框架结构类科研推荐路径：自监督算法都跑出结果，跟自己改进的自监督框架对比，选择某些方法作为对比方法。

OOD泛化

和其他领域结合

去噪模型通常用于医学图像（主要包含MRI、PET Image、CT Image、Pathological Image）、荧光显微图像（fluorescence microscopy images, FMI）高光谱图像(Hyperspectral Image, HSI)、遥感图像/无人机(Remote Sensing Image, RSI/UAV)、电镜图像(EM、TEM、SEM image)、红外图像(infrared image, RGB-NIR近红外)、低光图像(Low-light image)、水下声纳(Underwater Sonar Image)、雷达图像(Synthetic Aperture Radar, SAR)等。其中，红外图像去噪偏【图像融合】领域，低光图像去噪偏【图像增强】领域。

可以按关键词寻找对应的文章，需要复现的论文可以评论区留言，我添加到专栏中。

上述通用的去噪算法基本都适用于其他领域的图像，大家灵活变通，从特定场景的图像特征入手。

论文相关

研究方向

有监督：
- 高斯去噪AWGN和真实世界噪声去噪，将新模块、各种即插即用模型应用到框架中，提升模型性能，追求SOTA；
- 不追求模型改进，而是某一种通用方法可以提升模型性能，适用于通用模型；
非监督：
- 盲点网络BSN路线，进一步改进盲点网络，提升性能，追求SOTA；
- 自监督模型框架路线，想办法破坏真实噪声的空间相关性，构建损失；
- 理论建模（贝叶斯变分推理、diffusion等），问题转化，使其适用于去噪任务；
其他：
- OOD泛化；
- 模拟真实世界噪声，生成逼真噪声；

建议：明确自己任务目的，发论文明确目标区位，做项目明确首要任务，以此来学习最相关的文章。

前沿资讯

【图像去噪】前沿资讯：第十届NTIRE 2025图像去噪挑战报告，一大批CVPRW论文即将来袭！

资料汇总（持续更新中。。。）

数据集：

BSD：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/
CBSD68：https://github.com/clausmichele/CBSD68-dataset
Nam：http://snam.ml/research/ccnoise（已失效，可以从https://github.com/csjunxu/MCWNNM-ICCV2017中找到）
Waterloo Exploration Database（WED）： https://kedema.org/project/exploration/index.html
汇总：https://blog.csdn.net/iteapoy/article/details/86062640
DND：https://noise.visinf.tu-darmstadt.de/
McMaster：https://www4.comp.polyu.edu.hk/~cslzhang/CDM_Dataset.htm
SIDD：https://abdokamel.github.io/sidd/
PolyU：https://github.com/csjunxu/PolyU-Real-World-Noisy-Images-Dataset
DIV2K：https://data.vision.ee.ethz.ch/cvl/DIV2K/
RENOIR：https://ani.stat.fsu.edu/~abarbu/Renoir.html
NIND：https://commons.wikimedia.org/wiki/Natural_Image_Noise_Dataset
ImageNet验证集：https://image-net.org/challenges/LSVRC/2012/2012-downloads.php
AAPM数据集（CT图像）：https://www.aapm.org/GrandChallenge/LowDoseCT/
LDCT：https://www.cancerimagingarchive.net/collection/ldct-and-projection-data/
CC15、HighISO、IOCI：https://drive.google.com/drive/folders/17AUCJnENPGtHmQKw-gKcVbNCuj-lcyge
SenseNoise500（来自论文IDR）：https://github.com/zhangyi-3/IDR?tab=readme-ov-file
MIT-Adobe FiveK Dataset（5000张）：
- 官方：https://data.csail.mit.edu/graphics/fivek/
- raw training and test：https://drive.google.com/file/d/13RsccRrTi3zyNjQYdJ94E8WNbuJ8qG01/view
荧光显微镜图像数据集：

Fluorescence Microscopy Denoising (FMD) ：
- 下载地址：https://drive.google.com/drive/folders/1aygMzSDdoq63IqSk-ly8cMq0_owup8UM
- GitHub：https://github.com/yinhaoz/denoising-fluorescence
Widefield2SIM (W2S) ：
- 下载地址：https://datasets.epfl.ch/w2s/W2S_raw.zip
- GitHub：https://github.com/ivrl/w2s

Transmission electron microscopy (TEM)数据集：https://github.com/sreyas-mohan/electron-microscopy-denoising
Real STEM Data：https://america.iza-structure.org/IZA-SC/ftc_table.php
遥感图像数据集：
- UC-Merced Dataset：http://weegee.vision.ucmerced.edu/datasets/landuse.html
- OPTIMAL-31：有kaggle账号请在官方链接下载，没有kaggle账号可以在飞浆下载 https://aistudio.baidu.com/datasetdetail/51798
- 真实遥感图像 Pavia Dataset（ROSIS）：https://www.ehu.eus/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes#Pavia_Centre_and_University

注：数据集耐心点搜都能找到，优先官方下载，有的官方失效了在Github上找（可能在某个论文的源码中）。

综述：

2023年：A Comparison of Image Denoising Methods
2020年：Deep Learning on Image Denoising: An overview

问题汇总（持续更新中。。。）

没有图像处理基础、深度学习基础、代码能力弱、英语也不太好能看懂专栏内文章吗？
答：可以，但初期会比较吃力，先复现几篇简单的文章，全力搞懂代码，多学多积累很快就能上手。
xxx型号的GPU xxG显存够用吗？
答：根据你的实际情况配置GPU，实验室什么条件就用什么，实验室提供不了选择租卡比较划算，因为可以根据模型大小、数据集大小、源码参数设置等灵活选择卡数。不建议个人配置Windows显卡，因为大多数论文的实验环境都是Linux，而且单卡在模型复杂度较大时显存会不够用。