| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 图像去噪的背景与意义 | 第7-9页 |
| 1.2 图像去噪算法的研究现状 | 第9-13页 |
| 1.2.1 传统去噪方法研究现状 | 第9-11页 |
| 1.2.2 采用学习的图像去噪方法研究现状 | 第11-13页 |
| 1.3 论文的主要工作及结构安排 | 第13-15页 |
| 1.3.1 本文的主要工作 | 第13-14页 |
| 1.3.2 本文的结构安排 | 第14-15页 |
| 2 相关理论知识 | 第15-24页 |
| 2.1 图像的观测模型及噪声概述 | 第15-16页 |
| 2.2 三维图像块匹配算法(BM3D) | 第16-19页 |
| 2.3 基于学习的图像去噪方法 | 第19-21页 |
| 2.3.1 图像块似然概率去噪方法(EPLL) | 第19-20页 |
| 2.3.2 基于残差网络的深度卷积网络去噪模型(DnCNN) | 第20-21页 |
| 2.4 图像质量评价指标 | 第21-24页 |
| 3 基于生成对抗网络的图像去噪方法 | 第24-42页 |
| 3.1 GAN网络概述 | 第24-27页 |
| 3.1.1 神经网络去噪方法 | 第24-25页 |
| 3.1.2 生成对抗网络 | 第25-27页 |
| 3.1.3 生成对抗去噪网络 | 第27页 |
| 3.2 算法的整体架构 | 第27-28页 |
| 3.3 生成网络结构 | 第28-35页 |
| 3.3.1 特征提取结构 | 第29-30页 |
| 3.3.2 特征域去噪结构 | 第30-32页 |
| 3.3.3 高层次特征提取结构 | 第32-34页 |
| 3.3.4 特征降维融合结构 | 第34-35页 |
| 3.3.5 生成网络结构总结 | 第35页 |
| 3.4 判别网络的意义与结构 | 第35-37页 |
| 3.4.1 判别网络的意义 | 第35-36页 |
| 3.4.2 判别网络的结构 | 第36-37页 |
| 3.5 训练网络的过程与细节 | 第37-40页 |
| 3.5.1 生成对抗网络的损失函数 | 第37-38页 |
| 3.5.2 生成对抗网络数据集 | 第38页 |
| 3.5.3 生成对抗网络预训练 | 第38-40页 |
| 3.5.4 网络的对抗训练 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 4 实验对比与分析 | 第42-56页 |
| 4.1 图像高斯噪声估计 | 第42-45页 |
| 4.1.1 噪声识别网络的设计与训练 | 第42-44页 |
| 4.1.2 噪声判别网络的实验结果 | 第44-45页 |
| 4.2 黑白图像去噪实验 | 第45-50页 |
| 4.3 彩色图像去噪实验 | 第50-53页 |
| 4.4 对抗训练的有效性 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 研究成果总结 | 第56页 |
| 5.2 未来工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间负责项目情况 | 第62页 |
| 攻读硕士学位期间发表专利情况 | 第62页 |
| 攻读硕士学位期间软件著作权情况 | 第62页 |
| 攻读硕士学位期间论文写作情况 | 第62-63页 |
| 致谢 | 第63-65页 |