去噪神经网络unet

### 去噪 UNet 神经网络架构

UNet 是一种常用于医学图像分割的卷积神经网络结构，其特点在于编码器-解码器的设计以及跳跃连接机制。对于去噪任务而言，这种架构同样适用且表现出色。

#### 编码器部分
编码器由多个下采样层组成，每一层通常包含两个卷积操作后接最大池化操作来减少空间维度的同时增加特征图的数量和抽象程度[^1]。

class EncoderBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(EncoderBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.relu(self.conv2(x))
        before_pooling = x
        x = self.pool(x)
        return x, before_pooling

#### 解码器部分
解码器负责逐步恢复输入图像的空间分辨率，在此过程中通过转置卷积（反卷积）实现上采样，并利用来自相应编码阶段的特征映射作为辅助信息以保持细节。

class DecoderBlock(nn.Module):
    def __init__(self, in_channels, mid_channel, out_channels):
        super(DecoderBlock, self).__init__()
        self.upconv = nn.ConvTranspose2d(in_channels, mid_channel, kernel_size=2, stride=2)
        self.conv1 = nn.Conv2d(mid_channel*2, mid_channel, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(mid_channel, out_channels, kernel_size=3, padding=1)

    def forward(self, x, encoder_features):
        upsampled = self.upconv(x)
        concat = torch.cat((upsampled, encoder_features), dim=1)
        output = F.relu(self.conv1(concat))
        output = F.relu(self.conv2(output))
        return output

### 应用实例

在实际应用中，UNet 可被训练用来去除各种类型的噪声干扰，比如高斯白噪声、椒盐噪声等。通过对大量含噪图片及其干净版本的数据集进行监督学习，模型能够学会如何有效地预测原始无损信号。