论文地址：https://arxiv.org/pdf/1912.13171.pdf
一、背景与动机：
数字图像设备已经被应用在天气预测、灾难救援、安全监控与医学诊病等多个领域。然而数字设备常受到相机抖动、运动的物体、暗光和噪声等影响而导致捕获的照片不干净。因此图像去噪技术的研究具有重要的理论和实际应用价值。
图像去噪技术在20世纪90年代已经成为研究热点。例如：用非局部相似性来优化稀疏方法能提高去噪的性能。字典学习有助于快速移除噪声。先验知识通过平滑噪声图像来恢复潜在干净图像的细节。更多竞争去噪方法包括MRF 、WNNM 、LSSC、CSF 、TNRD和GHEP能被利用。
虽然这些大部分方法在图像去噪上能达到好的性能，但是他们有以下缺点：
(1) 在测试阶段涉及复杂优化方法,
(2) 手动设置参数,
(3) 一个固定的模型来处理单个去噪任务。
拥有灵活的结构，强的自学习能力的深度学习技术能用来解决这些不足。
二、深度学习在图像去噪方面的基础框架
Machine learning methods for image denoising：
有监督与无监督机器学习
Neural networks for image denoising：
Convolutional neural networks for image denoisin：
VGG、GeogLeNet、ResNet、GAN
Hardware and software of deep learning techniques：
三、深度学习在图像去噪中的应用
外加白噪声图像去噪(additive white noisy-image denoising):
CNN/NN for AWNI denoising
根据噪声的属性设计不同网络结构是极为关键的，设计网络结构有以下方式：
（1）利用多视角来设计网络；包括三种类型：一幅噪声图像作为多个子网络的输入；一个样本的不同角度作为网络的输入；一个网络的不同通道作为输入。
（2）改变Loss函数；
（3）增加CNN的宽度或者深度；
（4）在CNN中增加任意的插件；任意插件包括激活函数、空洞卷积、全连接层和池化层等
（5）在CNN中使用跳跃连接 (Skip connection)或者级联操作（Cascaded operations）；包括skip connection和cascaded operation。
CNN/NN and common feature extraction methods for AWNI denoising
That can be divided into five categories: weak edge-information, non-linear, high dimensional and non-salient noisy images, and high computational costs.
对于weak edge-information noisy images来说，CNN with transformation domain method来移除噪声是非常有效的。
对于non-linear noisy images来说，CNN with kernel method在恢复潜在干净图像是非常有效的。
这类方法一般有三步：
第一步用CNN来提取特征，
第二步用核方法把非线性特征转为线性特征，
第三步利用残差技术来重构潜在的干净图像。
对于high dimensional noisy images来说，CNN和降维方法的组合是常用的去噪方法。
对于non-salient noisy images来说，信号处理方法能引导CNN来提取显著的特征。
对于high computational cost， CNN和图像的属性结合能有效地降低复杂度。
The combination of optimization method and CNN/NN for AWNI denoising：
1) improvement of denoising speed；
2)Improvement of denoising performance ；
真实图像去噪(real noisy image denoising):
single end-to-end CNN
设计网络结构对处理真实噪声图像是流行的。把多尺度、Skip connection、batch renormalization、dilated convolutions、attention mechanism融合到CNN中都能有效处理真实噪声图像。
the combination of prior knowledge and CNN
把CNN和先验知识组合能很好地解决真实噪声图像。验证知识包括HQS、TV和channel prior。
盲去噪(blind denoising):
利用image device和soft shrinkage和CNN/NN结合能很好地进行blind denoising。
混合噪声图像去噪(hybrid noisy image denoising):
用warped guidance和CNN组合，单一的CNN以及CNN和iterative algorithm组合都能很好地移除混合噪声。
四、实验结果
Datasets
Training Datasets
BSD400、Waterloo Exploration Database和polyU-Real-World Noisy Images
Test Datasets
Set12、BSD68、CBSD68、Kodak24、McMaster、CC、DND、NC12、SIDD和Nam
Experimental results
看论文
五、讨论
深度学习一般在图像去噪上都是提高图像性能、去噪效率和复杂的噪声图像。
提高去噪性能，有如下解决方法：
(1)增大网络的感受野能捕获更多上下文信息来提高去噪性能。其中，增加网络宽度和深度是增加感受野最常见的方式，然而，他们会导致高的计算代价和更多内存消耗。空洞卷积能有效解决这个问题。
(2)CNN和先验结合能提取出更鲁棒的特征。
(3)组合局部和全局的信息能提高网络的记忆能力。(4)把信号处理机制融合到CNN能更好遏制噪声。(5)数据增加能提高图像去噪性能。(6)迁移学习、图学习和网络搜索能很好处理噪声图像。
提高去噪效率
压缩网络能有效地提高去噪的速度。减少网络宽度和深度、利用小的卷积核、组卷积都能有效地提高去噪速度。
解决复杂的噪声图像
利用分布机制是非常流行的。第一步利用CNN来估计噪声级别作为ground truth或者恢复高分辨率图像。第二步用来恢复潜在干净图像。
挑战
(1)更深的网络需要占用更多内存。
(2)更深的去噪网络不能稳定地训练真实噪声图像、没有类标的噪声图像的模型。
(3)真实噪声图像不是容易获得的。
(4)更深的网络是困难来解决无监督去噪任务。
(5)寻找更精确的去噪衡量指标。
本文参考内容：https://mp.weixin.qq.com/s/nmKWJPbedGo1J8-oeIKm2w