dncnn图像去噪_CVPR 2018 论文解读 | 基于GAN和CNN的图像盲去噪

图像去噪是low-level视觉问题中的一个经典的话题。其退化模型为 y=x+v，图像去噪的目标就是通过减去噪声 v，从含噪声的图像 y 中得到干净图像 x 。在很多情况下，因为各种因素的影响，噪声的信息是无法得到的，在这样的情况下进行去噪，就变成了盲去噪。

Image Blind Denoising With Generative Adversarial Network Based Noise Modeling是中山大学和 CVTE 发表于 CVPR 2018 的工作，该文章通过利用 GAN 对噪声分布进行建模，并通过建立的模型生成噪声样本，与干净图像集合构成训练数据集，训练去噪网络来进行盲去噪。

很多去噪问题的解法，例如基于多种图像先验信息的方法，如 BM3D，可以通过结合 noise-level 估计算法来达到盲去噪的效果。但是，这些方法还是有很大的缺陷。

首先，在这些方法中的图像先验信息大多基于人类知识，因此图像的全部特征就很难被捕捉到。第二，这些方法中绝大多数都是只用了输入图像的内部信息，没有使用到任何的外部信息，所以，还有很大的提升空间。

而基于已知噪声信息(noise-level)的图像去噪方法，特别是基于 CNN 的方法，对于已知高斯噪声的信息，这些方法可以达到 SOTA 水平。而且，这些方法不需要依靠人类对于图像的先验信息。但是这些方法在实际中很难派上用场。因为实际中我们得到一张图像，其中的噪声信息是未知的。

基于上面的分析，作者的思路：通过给定的含噪声图像构建一个配对的训练数据集，然后通过使用基于