关于n2n神经网络的理解

运行了几次代码，初步看到了一些效果，但是距离我的应用还差点，因为我的数据噪声比较大，效果比较差，分辨率下降也比较多。所以我不能采用n2n，而应该采用n2c，噪声大的情况下，图像自身的一些高频信息被噪声淹没，n2n网络无法学习到这些特征，但是n2c不一样，训练目标是清晰的，具有高频信息，想要loss低，网络就必须学习到一定的先验信息用于处理噪声图像。n2n的数据本身丢失了这些信息，网络也就无从习得。
如果把神经网络看作是对函数的拟合，那么可以和傅立叶变换对比一下，一个卷积网络相当于把一个图像分解为各种特征（相当于基函数），再把这些特征重新组合，重新组合的权重是根据输入图像估计得到的。这样就好理解些了。
这样分析的话n2c比n2n适用性更强一些，后面可以做一些验证
2020.2.29更新
上面的想法可能是对的，但是和傅里叶变换一样，噪声大时，高频分量的权重就已经估计不准了，这时候只能放弃，否则输出图像则会夹杂着很难看的高频信息。可以从下图看出来，噪声比较大，输出图像存在较多的高频特征。但n2c的效果还是要比n2n效果要好一些


但也能看出，细节丢失比较多，然后对比了一下BM3D，效果还是差一些，难怪很多去噪的方法都要和BM3D比较。