基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的圖像去噪方法。通過(guò)從污染圖像中分離噪聲圖像可以實(shí)現(xiàn)潛在清晰圖像。在訓(xùn)練階段，采用梯度裁剪方案來(lái)防止梯度爆炸，并使網(wǎng)絡(luò)能夠快速收斂。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有技術(shù)的去噪方法相比，所提出的去噪方法可以實(shí)現(xiàn)更好的性能。同時(shí)，結(jié)果表明，去噪方法具有通過(guò)一個(gè)單一的去噪模型抑制不同噪聲水平的不同噪聲的能力。

      設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。一個(gè)大小為43×43的污染圖像被輸入到設(shè)計(jì)的DCNN中，相應(yīng)的輸出是預(yù)測(cè)的噪聲圖像，輸出的尺寸是43×43。深度的本文設(shè)計(jì)的網(wǎng)絡(luò)設(shè)置為10。在設(shè)計(jì)的DCNN中有幾個(gè)卷積層，但沒(méi)有池化層。在每個(gè)卷積層中，有64個(gè)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(qū)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(xù)的。CNN通過(guò)強(qiáng)化相鄰層神經(jīng)元之間的局部連通性模式來(lái)利用空間局部相關(guān)性[36]。換句話說(shuō)，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(xù)的感受野。然而，每個(gè)卷積層對(duì)于輸入之外的感受域之外的變化沒(méi)有響應(yīng)，這確保學(xué)習(xí)的卷積核對(duì)空間局部輸入模式產(chǎn)生最強(qiáng)響應(yīng)。然而，我們可以堆疊許多這樣的層以使卷積核變得越來(lái)越全球化（即，響應(yīng)于更大的像素空間區(qū)域）。換一種說(shuō)法，隨著網(wǎng)絡(luò)深度的增加，感受野的大小增加。假設(shè)我們對(duì)所有圖層使用n×n相同大小的卷積核。對(duì)于第一層，接受場(chǎng)的大小是n×n。對(duì)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(shè)計(jì)的DCNN的深度是d，其感受野是[（n-1）d + 1]×[（n-1）d + 1]。
      由于實(shí)驗(yàn)平臺(tái)的局限性，設(shè)計(jì)的DCNN的深度d被設(shè)置為10.似乎卷積核的尺寸越大，設(shè)計(jì)的DCNN的接收?qǐng)龅某叽缭酱螅�其中固定深度是并且設(shè)計(jì)的DCNN實(shí)現(xiàn)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(lái)避免訓(xùn)練期間的邊界效應(yīng)。在測(cè)試階段，所有的卷積層都有足夠的零填充。因此，過(guò)零填充會(huì)導(dǎo)致嚴(yán)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(huì)導(dǎo)致較大的計(jì)算負(fù)擔(dān)[26]。因此，卷積核的適當(dāng)大小有助于設(shè)計(jì)的DCNN。在這里，我們將卷積核的大小設(shè)置為5×5。如上面的段落所示，接受但為了確保網(wǎng)絡(luò)在訓(xùn)練過(guò)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(jìn)行了一個(gè)實(shí)驗(yàn)來(lái)驗(yàn)證輸入訓(xùn)練與那些尺寸為43×43的圖像相比，可以實(shí)現(xiàn)良好的性能其他尺寸。詳情請(qǐng)參閱第3.4節(jié)。