dncnn图像去噪_【图像去噪】DnCNN论文详解（Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denois...

一、简介

老实说，这篇论文后半部分不太值得细读，大量内容都是讨论实验，写的比较啰嗦。启发性的内容较少，看完后只知道你的模型效果好，但不太知道为什么好。

文章重点：

强调了residual learning(残差学习)和batch normalization(批量标准化)在图像复原中相辅相成的作用，可以在较深的网络的条件下，依然能带来快的收敛和好的性能。

文章提出DnCNN，在高斯去噪问题下，用单模型应对不同程度的高斯噪音；甚至可以用单模型应对高斯去噪、超分辨率、JPEG去锁三个领域的问题。

二、DnCNN网络模型

DnCNN网络结构

网络结构：

第一部分：Conv(3 * 3 * c * 64)+ReLu (c代表图片通道数)

第二部分：Conv(3 * 3 * 64 * 64)+BN(batch normalization)+ReLu

第三部分：Conv(3 * 3 * 64)

每一层都zero padding，使得每一层的输入、输出尺寸保持一致。以此防止产生人工边界(boundary artifacts)。第二部分每一层在卷积与reLU之间都加了批量标准化(batch normalization、BN)。

2.1.残差学习residual learning

DnCNN结合了ResNet的residual learning，关于ResNet的知识总结，见我另一篇文章：https://www.jianshu.com/p/11f1a979b384

不同的是DnCNN并非每隔两层