深度学习去噪算法除了dncnn，还有哪些？

除了DnCNN，还有一些其他常见的深度学习去噪算法，包括但不限于以下几种：

1. Autoencoder-based methods：基于自编码器的方法，如Denoising Autoencoder（DAE），Variational Autoencoder（VAE）等。这些方法通过训练一个自编码器网络，将噪声信号作为输入并尝试重建原始信号，从而实现去噪的效果。

2. Generative Adversarial Networks (GANs)：生成对抗网络，如CycleGAN、Pix2Pix等。GANs通过训练一个生成器网络和一个判别器网络来进行去噪。生成器网络试图生成最接近原始信号的输出，而判别器网络则用于区分生成的输出和真实信号。

3. Wavelet-based methods：基于小波变换的方法，如Wavelet Transform Denoising（WTD）。这些方法通过将信号转换到小波域，利用小波系数的特性进行噪声去除。

4. Non-local means algorithm：非局部均值算法，如Non-local Means Denoising（NLM）。这种方法通过在图像中寻找相似块，并根据相似块的加权平均值来降低噪声。

5. Recursive filtering methods：递归滤波方法，如Recursive Least Squares（RLS）滤波器。这些方法通过递归地更新权重系数来降低噪声。

6. Deep Image Prior (DIP)：深度图像先验。该方法利用深度神经网络的先验知识来进行去噪处理，而无需训练数据。

这些算法在不同的噪声环境和应用场景下表现出不同的效果和性能。根据具体的需求和数据特点，选择合适的算法进行去噪处理是很重要的。