摘要

由于在图像去噪方面表现出优异的性能，判别式模型学习近年来受到广泛关注。本文在此基础上更进一步，致力于构建前馈型去噪卷积神经网络（DnCNN），以融合超深网络架构、学习算法及正则化方法在图像去噪中的最新进展。具体而言，我们采用残差学习与批量归一化技术，不仅加速了训练过程，还显著提升了去噪性能。与现有判别式去噪模型通常针对特定噪声水平下的加性白高斯噪声（AWGN）训练专用模型不同，本文提出的DnCNN模型能够处理噪声水平未知的高斯去噪问题（即盲高斯去噪）。通过残差学习策略，DnCNN在隐层中隐式地移除了潜在的干净图像信息。这一特性促使我们仅需训练一个DnCNN模型，即可应对多种通用图像去噪任务，包括高斯去噪、单图像超分辨率以及JPEG图像去块效应消除。大量实验结果表明，所提出的DnCNN模型不仅在多种通用图像去噪任务中表现出卓越的有效性，还能充分利用GPU计算实现高效部署。