基于深度卷積神經網絡（DCNN）的圖像去噪方法。通過從污染圖像中分離噪聲圖像可以實現潛在清晰圖像。在訓練階段，采用梯度裁剪方案來防止梯度爆炸，并使網絡能夠快速收斂。實驗結果表明，與現有技術的去噪方法相比，所提出的去噪方法可以實現更好的性能。同時，結果表明，去噪方法具有通過一個單一的去噪模型抑制不同噪聲水平的不同噪聲的能力。

      設計的網絡結構如圖1所示。一個大小為43×43的污染圖像被輸入到設計的DCNN中，相應的輸出是預測的噪聲圖像，輸出的尺寸是43×43。深度的本文設計的網絡設置為10。在設計的DCNN中有幾個卷積層，但沒有池化層。在每個卷積層中，有64個5×5卷積核。
     眾所周知，增加感受域的大小可以利用更大圖像區域中的上下文信息[21]。在這里，感受野在CNN中在空間上是連續的。CNN通過強化相鄰層神經元之間的局部連通性模式來利用空間局部相關性[36]。換句話說，第m層中的卷積層的輸入是第（m-1）層中卷積層的子集的輸出。因此，形成了空間上連續的感受野。然而，每個卷積層對于輸入之外的感受域之外的變化沒有響應，這確保學習的卷積核對空間局部輸入模式產生最強響應。然而，我們可以堆疊許多這樣的層以使卷積核變得越來越全球化（即，響應于更大的像素空間區域）。換一種說法，隨著網絡深度的增加，感受野的大小增加。假設我們對所有圖層使用n×n相同大小的卷積核。對于第一層，接受場的大小是n×n。對于第二層，大小感受野在高度和寬度上增加（n-1）等等。因此，如果設計的DCNN的深度是d，其感受野是[（n-1）d + 1]×[（n-1）d + 1]。
      由于實驗平臺的局限性，設計的DCNN的深度d被設置為10.似乎卷積核的尺寸越大，設計的DCNN的接收場的尺寸越大，其中固定深度是并且設計的DCNN實現更好的性能。但值得一提的是，所有卷積操作都不使用零填充來避免訓練期間的邊界效應。在測試階段，所有的卷積層都有足夠的零填充。因此，過零填充會導致嚴重失真。而且，尺寸較大的卷積核與較小尺寸的卷積核相比，會導致較大的計算負擔[26]。因此，卷積核的適當大小有助于設計的DCNN。在這里，我們將卷積核的大小設置為5×5。如上面的段落所示，接受但為了確保網絡在訓練過程中具有良好的靈活性，我們選擇了尺寸為43×43的輸入圖像。我們還進行了一個實驗來驗證輸入訓練與那些尺寸為43×43的圖像相比，可以實現良好的性能其他尺寸。詳情請參閱第3.4節。