基于跳跃连接双卷积神经网络的图像盲去噪方法(DCBDNet)研究

针对深度卷积神经网络在图像去噪中存在的模型参数量大、训练成本高的问题，研究人员提出了一种新型跳跃连接双卷积盲去噪网络(DCBDNet)。该模型通过噪声估计网络和双分支CNN结构（U型子网与空洞卷积分支），实现了对高斯噪声、空间变异噪声和真实噪声的有效去除，在保持简单结构的同时达到与复杂模型相当的竞争力，为图像盲去噪提供了性能与复杂度的优化平衡方案。

　　

在数字图像获取与传输过程中，噪声污染始终是影响视觉质量的关键难题。传统去噪方法如非局部均值(NLM)、块匹配三维滤波(BM3D)等虽有一定效果，但普遍面临计算复杂度高、参数依赖性强等瓶颈。随着深度学习兴起，DnCNN等卷积神经网络(CNN)模型展现出强大潜力，然而单一网络结构往往需要针对特定噪声水平训练专用模型，难以应对实际场景中复杂多变的噪声分布。更值得注意的是，单纯增加网络深度会导致梯度消失和计算资源激增，这促使研究者开始探索网络宽度扩展等替代方案。

针对上述挑战，云南某研究团队在《Signal Processing: Image Communication》发表论文，提出创新性双卷积盲去噪网络DCBDNet。该模型通过集成噪声估计模块和双分支CNN架构，成功实现了对多种噪声类型的自适应处理。研究显示，DCBDNet在保持参数效率的同时，其性能可与当前最先进的复杂架构模型相媲美，为实际应用提供了理想的性价比解决方案。

关键技术方法包括：1) 采用具有大感受野的噪声估计网络预测噪声水平图；2) 设计包含U型子网（含下采样/上采样）和空洞卷积分支的双CNN结构；3) 在双分支中均引入跳跃连接实现特征融合；4) 使用DIV2K数据集进行训练，并针对灰度图像处理优化图像块尺寸。

网络架构
DCBDNet由噪声估计网络（绿色虚线框）和双CNN去噪网络（橙色虚线框）构成。噪声估计网络首先生成噪声水平图，该图与噪声图像共同输入双CNN。上分支采用U型结构通过下采样扩大感受野，下分支使用空洞卷积层保持特征图尺寸，双分支通过跳跃连接实现跨层特征融合，最终拼接特征输出去噪结果。

数据集
对于加性高斯白噪声(AWGN)去除实验，采用DIV2K数据集800张训练图像（调整为512×512灰度图），并基于消融实验确定最佳图像块尺寸。真实噪声去除测试则使用SIDD和DND等基准数据集，证明模型对真实场景噪声的适应性。

结论
DCBDNet通过噪声估计网络实现了盲去噪的灵活性，双CNN结构在保持较低复杂度的同时增强了特征学习能力。实验证实该模型对高斯噪声、空间变异噪声和真实噪声均具有鲁棒性，其U型分支与空洞卷积分支的协同作用显著提升了特征表达能力。与DRUNet、BRDNet等先进模型相比，DCBDNet以更简单的结构取得了相当的去噪效果，验证了网络宽度扩展策略的有效性。

讨论
该研究创新性地将噪声估计与双路径特征学习相结合，其中U型分支专注于全局结构特征提取，空洞卷积分支则有效扩大感受野而不牺牲空间分辨率。跳跃连接的引入不仅加速了训练收敛，还缓解了深度网络中的梯度消失问题。值得注意的是，模型在DIV2K和SIDD等数据集上的表现证实其良好的泛化能力，为实际应用中计算资源与去噪效果的平衡提供了新思路。研究获得国家自然科学基金(61863037, 41971392)和云南省应用基础研究基金(202001AT070077)支持。