- 一文道尽传统图像降噪方法 link
《Image Denoising with Deep Convolutional Neural Networks》链接
《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》Dncnn
《Noise2Noise: Learning Image Restoration without Clean Data》Noise2Noise
《Semantic Image Inpainting with Deep Generative Models》链接
《Image De-raining Using a Conditional Generative Adversarial Network》链接
《DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks》DeblurGAN
课题：如何解决基于生成对抗网络的去噪任务的领域失配问题？
一、整体思路
1.1 提出问题：如何针对真实的图像噪声，设计出有效的图像去噪网络(包含网络框架、损失函数及训练策略)来解决领域失配问题，是真实图像去噪领域另一关键问题。
1.2 解决办法：
- 通过对图像上存在的复杂噪声进行建模，可以准确刻画并模拟生成真实图像噪声，从而为后续去噪网络提供大规模可靠的训练数据对。
- 针对传统图像去噪网络存在的领域失配问题，设计并实现适应于真实图像去噪任务的网络框架以及相应的损失函数和训练策略，从而实现具有较强泛化能力的高性能真实图像去噪。
二、研究内容
2.1 图像去噪网络架构的研究
2.2 图像去噪网络的训练策略研究
2.3 图像去噪网络中的损失函数设计研究
三、数据集:
本课题拟采取三种类型的数据对来增强真实图像去噪的泛化能力。这三种类型的数据对分别为：
3.1 真实的含噪图像与其对应的干净图像
3.2 基于条件生成对抗网络生成的含噪图像以及干净图像
3.3 原始噪声图像以及基于条件生成对抗网络生成的含噪图像，需要指出的是，这里输入