【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

文章目录

• 前言
• 适配人群
• 专栏简介
• 专栏亮点
• 阅读方法
• 定价理由
• 品质承诺
• 关于更新
• 环境配置
• 去噪概述
• 文章目录
• 资料汇总（持续更新中。。。）
• 问题汇总（持续更新中。。。）

前言

先思考几个问题：

• 你是否在全网苦寻【图像去噪（Image Denoising）】的相关资料？
• 你的目标是否是看懂【图像去噪（Image Denoising）】的相关论文，复现代码，跑出结果，并试图创新？
• 你是否需要发表【图像去噪（Image Denoising）】的相关论文毕业？
• 你是否需要做【图像去噪（Image Denoising）】的相关项目，开发软件，研究算法，获得专利或者软著？
• …

只要是与【图像去噪（Image Denoising）】有关的问题，那么请继续往下看。

以刚读研的研究生为例，进组后导师让你研究与【图像去噪（Image Denoising）】的相关课题，但又没有时间指导你，只能自己研究。

这个时候你该怎么办呢？刚入门的小白，什么也不了解，只能是自己搜集资料或者问师兄师姐。

如果你问师兄师姐，怎么搞科研啊？如何看懂论文啊？如何读懂复杂的代码啊？

他们大概率会回复你：硬啃。一句一句地读论文呢，一行一行地理解代码。无他，唯手熟尔。

你摇了摇头，觉得他们“自私”，没有把“看家本领”传授于你。于是，你开始像无头苍蝇一样，试图寻找好的学习方法，希望通过一种好的学习方法来提升科研效率。

想法很好，但浪费时间和精力，而且没有开始真正的学习，只是在学习的边缘徘徊。其实，就差一步，管它科研难不难，学就完事了。

学习无捷径，大道至简，先学起来，再慢慢修正学习路线，最后到达顶峰。

很幸运你看到了本文，本专栏的意义就在于用我走过的路，带领你开始学习，避免“找方法找资料”这种费时费力的弯路。领先实验室同门，早发论文，早做项目，受导师青睐，尽早达到毕业要求好去实习。

三年时间转瞬即逝，必须马上开始！而你要做的，只是认认真真的读完每一篇专栏内的文章即可，相信你一定会有收获，科研能力越来越强，顺利完成你的目标。

说点肺腑之言，感兴趣的话继续往下看。

适配人群

急需入门【图像去噪（Image Denoising）】的朋友，具体为：

• 看不懂论文、写不出代码、无创新思路的新手小白，希望快速入门
• 课题与去噪相关，需要发论文毕业的本科生和研究生（硕士、博士），导师放养或缺乏科研能力以及论文写作经验的实验室难兄难弟
• 需要论文、专利、软著等评职称的相关人员
• 有做去噪相关项目的本科生、研究生（硕士、博士）、企业开发人员、算法工程师等

如果你符合上面的某一条，不用担心，继续往下看即可。

专栏简介

专栏名称暂定为【Pytorch深度学习图像去噪算法100例】。顾名思义，共三点限制：

1. 专栏内涉及的算法都是基于深度学习的图像去噪算法。非深度学习的可能只介绍BM3D，用做实验对比方法的baseline（类似超分的Bicubic）。
2. 所有算法都是基于Pytorch框架实现的。论文公开的源码是Pytorch的我们就基于源码复现，不是用Pytorch框架实现或者未公开源码的算法，我会用Pytorch重新复现一遍，以达成代码的统一，方便大家做实验。
3. 暂时先定一个小目标，讲100篇论文，复现100篇代码。达成后，再往上增加。

专栏内文章主要为两部分：【论文精读】与【论文复现】

• 论文精读：读懂论文，总结提炼，聚焦核心内容，不只是全文翻译

• 论文复现：跑通流程，源码解析，提升代码能力，得到去噪结果以及指标计算

更具体详细的内容见“阅读方法”。

专栏亮点

• 省时：图像去噪领域论文全覆盖，算法模型全，主流的算法模型都会涉及结合能搜集到的资料深入浅出解读，按顺序阅读即可，节省搜论文的时间。【论文复现】文章末尾会提供训练好各放大倍数下的最优性能（PSNR/SSIM）模型权重文件，读者可以下载直接使用，方便论文中实验部分方法对比（视觉效果和量化指标）或直接应用模型超分自己的图像数据。
• 省力：大白话讲解，手把手教学，带你读懂论文，跑通代码，提升代码能力，理解文章的算法和创新点，避免一个人对着论文死磕但还是不理解的情况出现。按部就班，肯定能跑出好的模型结果，帮助你了解论文内容和结构，积少成多，学会写论文。同时，让你少走弯路，避免模型调参四处碰壁，涉及的模型都提供训练好的权重文件，可以直接拿来测试自己的图像。
• 省事：努力做全网最全最好最详细的【图像去噪】专栏，专栏永久更新，第一时间更新最新的图像去噪领域，关注订阅后一劳永逸，关注账号后更新了会私信告知。有问题可以随时留言交流。

阅读方法

【论文精读】 文章结构按照论文的结构包含全文翻译、关键信息提炼，信息总结等。作者自己的总结以及注解以红色加粗和绿色加粗呈现。阅读和之前工作相比创新改进的地方，如网络结构（重点）、损失函数等。

根据自身情况，选择以下 【论文精读】 的阅读方式：

1. 有写论文需求的朋友：对照原论文，全文阅读。除了看懂论文提出的方法外，还需要培养“讲故事”能力，深化论文细节，为论文写作做准备。
2. 想快速理解文章的朋友：略读文章翻译部分，重点看加粗红字的提炼总结。
3. 只想了解文章创新：看摘要和介绍部分末尾提出的创新贡献+网络结构，然后直接跳转到文末的复现文章。

上述三种情况对应的论文结构：

1. Abstract （1、2、3；无论哪种情况都应该看摘要）
2. Introduction（1、2；搞懂motivation，找创新思路）
3. Related Work（1）
4. The Proposed Method（1、2、3；1全看，2和3看重点）
5. Experimental（1；实验部分重点在对应的【论文复现】文章中）
6. Conclusion （1）
   补充：如果你符合第一种情况，那么应该以审稿人的角度来看文章。如果你是审稿人，你会先看哪里，后看哪里，重点看哪里，以及给这篇文章什么审稿结果？问题的答案就是你在写论文的时候应该注意的东西。

【论文复现】 文章结构：

1. 跑通代码：拿到任何一个代码项目，首先要做的就是根据README.md先跑通，【复现】文章的第一部分就相当于README，即使用手册。根据路径放置好数据集，跑通训练代码，训练完跑通测试代码。如果有已经训练好的模型，可以直接推理测试。
2. 代码解析：详细讲解全部代码，注释丰富，网络结构以及相关参数与论文一致。代码结构一般为数据预处理、网络结构实现、训练、测试、其他补充代码。重点在于网络结构以及特殊损失函数的实现，其他部分大同小异。尽量复现出与原论文一致的结果。
3. 总结与思考：记录复现过程中遇到的问题，思考可能的改进提升。附带完整代码和训练好的模型权重文件下载链接。

根据自身情况，选择以下 【论文复现】 的阅读方式：

1. 只需要结果（去噪后的结果图像、计算测试集指标PSNR/SSIM）：只看1. 跑通代码
2. 为了提升代码能力，实现论文与代码对应，改进结构：1.2.3全看

定价理由

专栏原价299.9，目前特价99.9，订阅满10人恢复原价，先到先得！！！

为什么选择本专栏？

• 和其他能搜到的去噪专栏相比，本专栏文章数量更多，质量更高。预计更新100个图像去噪算法，每个算法两篇文章，平均每篇文章的价格为99.9/200 ≈ 0.5元，文章保质保量，专栏文章平均质量分为96。少吃半顿海底捞，就能解决一个大麻烦。

其他兄弟专栏：

• 以硕士期间从研一到研二下学期一年半180天发出小论文计算，平均每天为99.9/180 = 0.56。也就是说，每天只花0.56元就可以获得一个一劳永逸的学习专栏，何乐而不为？对发论文、研究算法、做项目、以后找工作都有帮助，很快就可以回本。
• 以时间计算，180天只需每天花一小部分时间复现一篇论文，努力一下可以复现两篇，何况也不一定专栏内所有文章都看。试想一下，当其他人还在花费大量时间啃论文啃代码焦头烂额时，你已经不费吹灰之力，领先于人了。
• 为知识付费，为学习投资，形成知识体系，提升代码能力，还可以拓展人脉（订阅可加交流群），潜在价值远非价格可比。
• 避免毕业困难，自信受挫，失去学习热情

品质承诺

1. 【论文精读】和【论文复现】文章保质保量。文章质量参考两篇DnCNN的置顶文章，请先试读：
   【图像去噪】论文精读：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising（DnCNN）
   【图像去噪】论文复现：新手入门必看！DnCNN的Pytorch源码训练测试全流程解析！为源码做详细注释！补充DnCNN-B和DnCNN-3的模型训练和测试！附各种情况下训练好的模型权重文件！
2. 不满意可全额退款，订阅无任何风险。

关于更新

本专栏永久更新。为了保证文章质量，更新速度会慢一些。更新了会群发消息通知，所以请订阅专栏的朋友一定要关注我，否则收不到更新通知。

环境配置

项目环境：

• 编译器：pycharm
• cuda：torch 1.12.1
• 操作系统：windows11本地运行（RTX 4070Ti Super）本地运行或Linux服务器（4个Titan RTX GPU）

只要不是太差的显卡，专栏内的算法都可以跑。

不建议CPU运行。

复现文章中提供的代码在Windows和Linux下均可运行！

去噪概述

噪声主要分为两类：

• 合成噪声（Synthetic Noise），一般指在“干净”图像上添加高斯白噪声（Additive White Gaussian Noise，AWGN）

• 真实噪声（Real Noise），即相机拍照时图像上的真实噪声。一般以真实图像作为带噪图像输入，mean作为Ground-truth。

对应噪声分类，产生了两个不同的研究方向以及算法：

• 基于合成噪声：一般是高斯白噪，便于量化和设计实验；如DnCNN，FFDNet

合成噪声去噪示例：

• 基于真实噪声：真实世界的盲去噪问题，真实图像的噪声分布是未知的，可能是某些不同噪声类型和分布的叠加。有用泊松-高斯模拟，用ISP相机产生噪声的原理模拟等，属于摸着石头过河，需要很强的统计学、图像信号功底；如CBDNet，RIDNet，VDNnet

真实噪声去噪示例：

• 以及两者通用的算法。

文章目录

1. 【图像去噪】论文精读：Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising（DnCNN）
2. 【图像去噪】论文复现：新手入门必看！DnCNN的Pytorch源码训练测试全流程解析！为源码做详细注释！补充DnCNN-B和DnCNN-3的模型训练和测试！附各种情况下训练好的模型权重文件！
3. 【图像去噪】论文精读：FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising
4. 【图像去噪】论文复现：适合新手小白的Pytorch版本FFDNet复现！详解FFDNet源码！数据处理、模型训练和验证、推理测试全流程讲解！新手小白都能看懂，学习阅读毫无压力，去噪入门必看！
5. 【图像去噪】论文精读：Toward Convolutional Blind Denoising of Real Photographs（CBDNet）
6. 【图像去噪】论文复现：适合新手小白的Pytorch版本CBDNet复现！轻松跑通训练和测试代码！简单修改路径即可训练自己的数据集！代码详细注释！数据处理、模型训练和验证、推理测试全流程讲解！
7. 【图像去噪】论文精读：Real Image Denoising with Feature Attention（RIDNet）
8. 【图像去噪】论文复现：适合新手小白的Pytorch版本RIDNet复现！轻松跑通训练和测试代码！RIDNet网络结构实现拆解！简单修改路径即可训练自己的数据集！模型训练推理测试全流程讲解！
9. 【图像去噪】论文精读：Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections（REDNet）
10. 【图像去噪】论文复现：Pytorch实现REDNet的三种结构！简单修改路径即可跑通全部代码并训练自己的数据集！支持灰度图和RGB图训练！附训练好的模型文件可直接测试图像得到去噪结果以及评价指标！
11. 【图像去噪】论文精读：MemNet: A Persistent Memory Network for Image Restoration

资料汇总（持续更新中。。。）

数据集：

1. BSD：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/
2. CBSD68：https://github.com/clausmichele/CBSD68-dataset
3. Nam：http://snam.ml/research/ccnoise（已失效，可以从其他算法的源码中找到）
4. 汇总：https://blog.csdn.net/iteapoy/article/details/86062640
5. DND：https://noise.visinf.tu-darmstadt.de/
6. McMaster：https://www4.comp.polyu.edu.hk/~cslzhang/CDM_Dataset.htm
7. SIDD：https://abdokamel.github.io/sidd/
8. PolyU：https://github.com/csjunxu/PolyU-Real-World-Noisy-Images-Dataset

注：数据集耐心点搜都能找到，优先官方下载，有的官方失效了在Github上找（可能在某个论文的源码中）。

问题汇总（持续更新中。。。）