本文围绕DnCNN图像去噪算法展开复现研究。该算法基于残差学习和批量归一化，适用于图像复原。复现采用PaddlePaddle框架，在BSD68测试集、噪声15条件下，10次测试平均PSNR达31.73757，达标。文中还介绍了数据集、文件结构、环境依赖、核心代码及训练、评估等操作流程。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
论文复现——图像去噪算法 DnCNN
DnCNN: Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising
官方源码：https://github.com/cszn/DnCNN
官方Pytorch实现：https://github.com/SaoYan/DnCNN-PyTorch
复现地址：https://github.com/sldyns/DnCNN_paddle
1. 简介
由于深度学习的进步以及卷积神经网络在视觉方向取得的巨大成功，使得更多学者聚焦于此。作者注意到在残差网络之前，预测残差图像的策略已经被用于一些低水平视觉问题，如单幅图像超分辨率和彩色图像去噪。他认为在图像复原领域（尤其是在噪音程度较小的情况下），含噪图像与无噪图像的残差非常小，所以理论上残差学习非常适合运用到图像复原上。
而批量归一化操作通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布，这减轻了内部协变量的移位，同时使梯度变大，避免了梯度消失的问题，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。
这样的网络设计就是在隐层中将干净图像 x 从含噪图像 y 中消去。在超分领域，低分辨率图片就是高分辨率图片的双三次上采样操作形成的，故超分领域的残差图片和去高斯噪声领域的残差图片是等价的，同理还有JPEG解锁领域的残差图片。因而DnCNN网络同时具有良好的盲去噪能力.
2. 复现精度
在 BSD68 测试集上做了10次测试，达到验收指标：average PSNR, noise 15: 31.73
| DnCNN-B | Noise Level15 |
|---|---|
| Pytorch | 31.73 |
| Paddle | 31.73757 (10 times) |
3. 数据集与文件结构
3.1 数据集
官方代码提供的训练数据集地址：https://github.com/SaoYan/DnCNN-PyTorch/tree/master/data/train
测试数据集地址：https://github.com/cszn/FFDNet/tree/master/testsets/BSD68
**注：**所有数据已经存放在 work/data/ 文件夹下了，可以无需下载.
3.2 文件结构
DnCNN_Paddle |-- data
|-- BSD68 # 测试所用的BSD68数据集
|-- train # 训练所用的数据,包含400张图片
|-- logs
|-- net.pdparams # 训练过程保存的模型参数文件
|-- vdlrecords.1649579479.log # 完整的训练日志
|-- test_tipc # TIPC: Linux GPU/CPU 基础训练推理测试
|-- dataset.py # 数据及预处理相关代码
|-- export_model.py # 预训练模型的导出代码
|-- LICENSE # LICENSE文件
|-- models.py # 模型定义代码
|-- README.md # README.md文件
|-- val.py # 模型评估代码
|-- predict.py # 模型预测代码
|-- train.py # 单机单卡训练文件
|-- train2.py # 单机多卡训练文件
|-- utils.py # 一些工具文件
|-- infer.py # 模型推理代码
4. 环境依赖
PaddlePaddle >= 2.2.0
scikit-image == 0.19.2
!pip install scikit-image
5. 核心代码
DnCNN 的结构并不复杂，主要为多层 CNN 配合 BatchNorm 和 ReLU，实现的残差学习.
class DnCNN(nn.Layer):
def __init__(self, channels, num_of_layers=17):
super(DnCNN, self).__init__()
kernel_size = 3
padding = 1
features = 64
layers = []
layers.append(nn.Conv2D(in_channels=channels, out_channels=features, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))
layers.append(nn.ReLU()) for _ in range(num_of_layers-2):
layers.append(nn.Conv2D(in_channels=features, out_channels=features, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))
layers.append(nn.BatchNorm2D(features, weight_attr=ParamAttr(initializer=nn.initializer.Constant(value=1.)), bias_attr=ParamAttr(initializer=nn.initializer.Constant(value=0.))))
layers.append(nn.ReLU())
layers.append(nn.Conv2D(in_channels=features, out_channels=channels, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))
self.dncnn = paddle.nn.Sequential(*layers) def forward(self, x):
y = x
out = self.dncnn(x) return y-out
6. 快速开始
6.1 初次训练
!cd work && python train.py --preprocess True --data_dir data/train --val_dir data/BSD68 --num_of_layers 17 --noiseL 15 --val_noiseL 15
参数说明：
- --preprocess True 表示需要作数据预处理
- --data_dir data/train 训练数据路径
- --val_dir data/BSD68 验证数据路径
- --num_of_layers 17 模型层数为17层
- --noiseL 15 训练的噪声水平为15
- --val_noiseL 15 验证的噪声水平为15
初次训练指定 --preprocess True，则会生成 train.h5 和 val.h5 两个文件，再次训练则不需要指定改参数：
6.2 重新训练
!cd work && python train.py --num_of_layers 17 --noiseL 15 --val_noiseL 15
hijack_call.c:658 cuInit error unknown error
6.3 日志读取
训练过程会将日志记录和模型参数保存在 work/logs/ 文件夹下.
日志是用 VisualDL 工具记录，可以用 Ai Studio 自带的 数据模型可视化 功能查看
6.4 模型评估
在 BSD58 数据集上作了 10 次测试，噪声强度为 15
!cd work && python val.py --log_dir logs --data_path data/BSD68/ --test_noiseL 15
输出如下:
10 times test on test data, Averate PSNR: 31.73937683053843, Variance: 1.7706766908902732e-05
显著达到了验收精度.
6.5 模型预测
在 BSD58 数据集上作预测，噪声强度为 15，结果存放在 work/results/ 文件夹下.
!cd work && python predict.py --log_dir logs --data_path data/BSD68/ --save_path results/ --test_noiseL 15 --save_images
输出为：
PSNR on test data 31.739193
work/results/couple 中的图片为 原始图像、带噪图像、去噪结果，3 张图片拼接得到的：
6.6 单张图像去噪测试
导入单张图像，测试去噪效果，首先需要在work/test_images里上传一张图片.
# 先上传一张图片，import os.path as ospfrom IPython.display import displayfrom PIL import Image
img_path = 'butterfly.png' # 改成自己上传的图片名称full_img_path = osp.join(osp.abspath('work/test_images/'), img_path)
img = Image.open(full_img_path).convert('RGB')print('以下为上传的图片:')
display(img)
以下为上传的图片:
<PIL.Image.Image image mode=RGB size=256x256 at 0x7F9DDC048910>
!cd work && python predict_single.py --clean_img $full_img_path --save_images --log_dir logs
Loading model ... W0602 17:50:55.775449 2009 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1 W0602 17:50:55.779913 2009 device_context.cc:465] device: 0, cuDNN Version: 7.6. only clean image provided, noise level is 15 PSNR 33.144904
# 去噪效果查看import globfrom IPython.display import displayfrom PIL import Image
imgs = glob.glob('work/test_images/*')for path in imgs: print(path)
img = Image.open(path)
display(img)
work/test_images/butterfly.png
<PIL.PngImagePlugin.PngImageFile image mode=L size=256x256 at 0x7FAD6D3D6D10>
work/test_images/butterfly_noised.png
<PIL.PngImagePlugin.PngImageFile image mode=L size=256x256 at 0x7FAD6D3ED810>
work/test_images/butterfly_denoised.png
<PIL.PngImagePlugin.PngImageFile image mode=L size=256x256 at 0x7FAD6D3ED950>
