TensorFlow实现的深度CNN图像去噪模型DnCNN：超越高斯denoiser

DnCNN-tensorflow 是一个基于 TensorFlow 实现的深度卷积神经网络（Deep Convolutional Neural Network, DCNN）模型，用于图像去噪。该模型是 2017 年《超越高斯去噪器：深度卷积神经网络的残差学习》(Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising) 一文的实现，论文作者是张驰等人。这个项目包含了模型架构图以及在 BSD68 和 Set12 数据集上的性能对比。 模型架构部分展示了 DnCNN 的具体结构，通过使用残差学习（residual learning），模型能够学习到更复杂的图像特征并进行有效的降噪。模型的图形化表示位于 `./img/model.png` 文件中，展示了网络的层级和连接方式。 在结果部分，首先展示了在 BSD68 数据集上，不同方法在噪声级别为 25 dB 的情况下，平均峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）得分。DnCNN-tensorflow 在这个测试中表现优秀，超过了其他如 BM3D、WNNM、EPLL、MLP、CSF 和 TNRD 等经典去噪算法。而在 Set12 数据集的测试中，尽管没有具体列出 DnCNN-S 的分数，但 DnCNN-tensorflow 的得分略高于 DnCNN-S。 该项目还提供了两种运行环境的选项：推荐的 Docker 集成环境，可以方便地利用 GPU 资源，并且提供了预训练模型的下载链接。对于不使用 Docker 的情况，需要安装 TensorFlow 1.4.1、NumPy 等依赖库。项目还包括了一个“一键去噪”脚本 `./oneKeyToDenoise.sh`，用户可以通过这个脚本在测试集上快速处理图像去噪。 训练过程需要执行 `generate_patches.py` 和 `main.py`，并支持命令行参数调整。原始模型的训练大约需要 4 小时在 GTX 1080TI 上。此外，项目还展示了训练过程中损失函数的变化图，但提示这张图可能不再适合此模型。 待办事项列表列出了项目的后续改进计划，包括修复已知问题、代码优化、使用 Docker 进行一键去噪、与原版 DnCNN 对比、更新库依赖等。最后，项目对参与贡献者表示感谢。 DnCNN-tensorflow 是一个实用的图像去噪工具，适用于研究和实际应用中，并且提供了一个可扩展和优化的基础框架。