欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
图像降噪是图像处理领域中非常传统和经典的问题，今天给大家推荐学习该领域值得读的文章。
作者&编辑 | 言有三
1 基本CNN结构
图像去噪模型的输出是无噪声的图像，与输入图像大小相同，所以可以使用图像分割一类的模型，即经典的基于跳层连接的卷积与反卷积对称结构[1]，优化目标为逐个像素的欧式距离损失。
文章引用量：200+
推荐指数：✦✦✦✦✧
[1] Mao X, Shen C, Yang Y B. Image restoration using very deep convolutionalencoder-decoder networks with symmetric skip connections[C]//Advances in neuralinformation processing systems. 2016: 2802-2810.
2 残差学习DnCNN
在信息处理领域中，学习信号的改变量往往比学习原始信号更加简单，这被用于非常有效的残差网络。DnCNN模型[2]也借鉴了这个思路，它不是直接输出去噪图像，而是预测残差图像，即噪声观察和潜在的干净图像之间的差异。
文章引用量：1600+
推荐指数：✦✦✦✦✦
[2] Zhang K, Zuo W, Chen Y, et al. Beyond a gaussian denoiser: Residual learningof deep cnn for image denoising[J]. IEEE Transactions on Image Processing, 2017,26(7): 3142-3155.
3 噪声水平估计CBDNet
前述两个框架都是盲去噪声模型，即不估计噪声的水平，而CBDNet 模型[3]是一个真实图像非盲去噪框架，使用了一个噪声估计子网络估计出噪声水平，然后与原输入图一起输入基于跳层连接的去噪模型。
文章引用量：50+
推荐指数：✦✦✦✦✧
[3] Guo S, Yan Z, Zhang K, et al. Toward convolutional blind denoising of realphotographs[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition. 2019: 1712-1722.
4 GAN合成噪声样本
对于有监督的模型来说，真实的有噪声和无噪声成对图像的获取是将深度学习应用于去噪问题的关键，但是仿真数据集不够真实，因此基于生成对抗网络GAN生成真实噪声[4]是非常好的方式，值得重点关注。
文章引用量：80+
推荐指数：✦✦✦✦✦
[4] Chen J, Chen J, Chao H, et al. Image blind denoising with generative adversarial network based noise modeling[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3155-3164.
5 自监督模型
获取带噪声图片和清晰图片的成本非常高昂，那么是不是可以只使用含噪声的图像就训练出好的去噪模型呢？Noise2Noise[5]就是这样一个框架，使用同一个场景的多张含噪声图像就能获得好的结果。类似的还有基于单张图进行学习的Deep image prior，Noise2Void等，它们的原理都是基于统计先验知识。
文章引用量：400+
推荐指数：✦✦✦✦✦
[5] Lehtinen J, Munkberg J, Hasselgren J, et al. Noise2noise: Learning image restoration without clean data[J]. arXiv preprint arXiv:1803.04189, 2018.
[6] Lempitsky V, Vedaldi A, Ulyanov D, et al. Deep Image Prior[C]. computer vision and pattern recognition, 2018: 9446-9454.
[7] Krull A, Buchholz T, Jug F, et al. Noise2Void - Learning Denoising From Single Noisy Images[C]. computer vision and pattern recognition, 2019: 2129-2137.
[8] Batson J, Royer L. Noise2Self: Blind Denoising by Self-Supervision[J]. arXiv: Computer Vision and Pattern Recognition, 2019.
6 图像降噪的应用
当然了，图像降噪这个问题我们不能仅仅局限在一些很底层和传统的噪声理解，它本身可以覆盖更多的应用，比如在计算机视觉领域中研究比较多的去雨算法，在相关研究中会使用到特定的模型以及注意力机制等方法，感兴趣的可以去关注。
文章引用量：20+
推荐指数：✦✦✦✦✧
[9] Li S, Cao X, Araujo I B, et al. Single Image Deraining: A Comprehensive Benchmark Analysis[C]. computer vision and pattern recognition, 2019: 3838-3847.
7 文章解读
关于图像降噪相关文章的详细解读，在有三AI知识星球-网络结构1000变-图像增强标签下有较多的文章，感兴趣可以移步。
总结
本次我们介绍了深度学习图像降噪领域值得读的文章，当前研究难点在于自监督图像降噪，真实复杂噪声去除等方向，读者可以继续关注。
有三AI知识星球
知识星球是有三AI的付费内容社区，里面包括各领域的模型学习，数据集下载，公众号的付费图文原稿，技术总结PPT和视频，知识问答，书籍下载，项目推荐，线下活动等资源，了解详细请阅读以下文章：
【杂谈】有三AI知识星球一周年了！为什么公众号+星球才是完整的？
【杂谈】万万没想到，有三还有个保密的‘朋友圈’，那里面都在弄啥！
转载文章请后台联系
侵权必究
往期精选
【每周论文推荐】 初入深度学习CV领域必读的几篇文章
【每周CV论文推荐】 掌握残差网络必读的10多篇文章
【每周CV论文推荐】 初学者必须精读的5篇深度学习优化相关文章
【每周CV论文推荐】 CV领域中数据增强相关的论文推荐
【每周CV论文推荐】 初学高效率CNN模型设计应该读的文章
【每周CV论文推荐】 初学目标检测必须要读的文章
【每周CV论文推荐】 初学深度学习图像分割必须要读的文章
【每周CV论文推荐】 初学GAN必须要读的文章
【每周CV论文推荐】 深度学习人脸检测入门必读文章
【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章
【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章
【每周CV论文推荐】 初学深度学习人脸属性分析必读的文章
【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章
【每周CV论文推荐】 初学深度学习单张图像三维人脸重建需要读的文章
【每周CV论文推荐】 人脸识别剩下的难题：从遮挡，年龄，姿态，妆造到亲属关系，人脸攻击
【每周CV论文推荐】换脸算法都有哪些经典的思路？
【每周CV论文】深度学习文本检测与识别入门必读文章
