DnCNN图像去噪模型：从论文到PyTorch完整复现与变体实现

简介：本资源是基于PyTorch实现的DnCNN图像去噪模型完整复现工程，面向深度学习初学者、计算机视觉研究者及图像处理实践者，聚焦真实场景下的高斯噪声去除任务，覆盖模型训练、测试、结果评估全流程。压缩包共20个文件，包含6个预训练.pth权重（含DnCNN-B、CDnCNN-B、DnCNN-3等变体）、5个核心Python脚本（如main_train.py、main_test.py、data_generator.py）、4个XML配置文件及README.md等辅助文档，整体大小13.2MB，结构清晰、模块解耦，便于快速上手与二次开发。已有2302人学习下载，资源不仅提供可直接运行的完整代码，还附带论文级性能的训练权重，支持零训练启动测试；同时兼容自定义数据集，通过修改路径与参数即可迁移至RGB/灰度图像去噪任务，并完整复现原论文中多噪声等级（σ∈[0,55]）下的PSNR/SSIM评估图表，实为一份兼具教学性、工程性与科研参考价值的高质量开源实现。

1. 项目缘起：从一篇论文到一套可运行的代码

最近在整理一些经典的图像处理模型，DnCNN（Denoising Convolutional Neural Network）这个名字总是绕不开。作为2017年CVPR的论文，它用相对简单的结构，在图像去噪任务上取得了当时非常惊艳的效果，可以说是深度学习进入图像复原领域的一个标志性工作。很多后来的模型，比如FFDNet、CBDNet，都能看到它的影子。网上关于DnCNN的Pytorch实现其实不少，GitHub上一搜一大把。但我在实际想跑起来，特别是想复现论文中提到的几个变体（DnCNN-B， DnCNN-3）时，发现了一个普遍问题：很多代码仓库要么只实现了基础的DnCNN，要么代码年久失修，依赖的Pytorch版本太老，要么就是训练脚本写得比较“玩具”，离真正的“完复现”还有距离。

所谓“完复现”，我的理解是：不仅要能跑通，还要能严格按照论文描述，复现出其报告的性能指标。这包括了模型结构、训练策略、数据预处理、评估指标等一系列细节。很多开源实现可能只关注了模型前向传播的代码，但训练部分的超参数设置、学习率调整策略、数据增强方式等，往往和原论文有出入，导致最终训出的模型性能打折扣。

更具体地说，原论文除了标准的DnCNN（针对特定噪声水平训练），还提出了两个重要变体：

1. DnCNN-B： 这是一个“盲”去噪模型。它不是在固定噪声水平（比如σ=25）的数据上训练，而是在一个噪声水平范围（比如σ ∈ [0, 55]）的数据上进行训练。目标是让一个模型能处理多种不同噪声水平的图像，实用性更强。
2. DnCNN-3： 这是一个针对三种特定退化任务的模型，即去噪（Denoising）、超分辨率（Super-Resolution）和去块效应（Deblocking）。它通过一个包含残差学习（Residual Learning）和递归学习（Recursive Learning）的单一网络结构来处理这三种任务，展示了网络的多功能性。

然而，大多数开源代码只实现了基础DnCNN，对于DnCNN-B和DnCNN-3的实现要么缺失，要么实现方式值得商榷。因此，我决定基于一个结构清晰的基础DnCNN Pytorch实现，动手把这两个变体，以及一套完整的、可复现的训练和测试流程给补全。这不仅是为了自己用起来方便，也是想深入理解一下，论文里的每一个设计选择，到底是如何转化成代码的，其背后的考量是什么。

2. 核心模型结构解析：为什么DnCNN能work？

在动手写代码之前，我们必须先吃透模型结构。DnCNN的结构在今天看来非常简洁，但它的设计思想却非常有效。很多人可能觉得“不就是一堆卷积层加ReLU和BN吗？”，但魔鬼在细节里。

2.1 基础DnCNN：残差学习与批量归一化的精妙结合

原论文中的DnCNN结构可以概括为：Conv+ReLU->(Conv+BN+ReLU) x (D-2)->Conv。对于灰度图像，输入输出通道都是1；对于彩色图像，则是3。网络深度D通常为17或20。

这里有几个关键设计点，直接影响了我们的代码实现：

1. 残差学习（Residual Learning）： 这是DnCNN的核心思想。网络学习的目标不是干净的图像y，而是噪声v，即v = x - y，其中x是带噪图像，y是干净图像。因此，网络的输出是估计的噪声\hat{v}，最终的干净图像通过\hat{y} = x - \hat{v}得到。这样做的好处是，将学习目标从复杂的图像内容转换成了相对简单的噪声模式，大大降低了学习难度，加速了收敛。在代码里，这意味着我们的损失函数要计算的是网络输出（噪声图）与真实噪声图之间的差异，而不是网络输出与干净图之间的差异。

2. 批量归一化（Batch Normalization, BN）： BN层被插入在卷积层和ReLU激活函数之间。它的作用是稳定训练过程，允许使用更大的学习率，并具有一定的正则化效果。这里有一个极易出错的细节：在测试或推理阶段，BN层使用的是在训练阶段通过移动平均计算得到的全局均值和方差，而不是当前批次的统计量。在Pytorch中，通过model.eval()模式可以自动切换。但如果你的实现中BN层设置不当，或者在训练/测试时模式切换错误，会导致性能大幅下降。

3. 没有池化层（No Pooling）： 整个网络全部由卷积层构成，没有使用池化层。这是因为图像去噪是一个像素级的回归任务，需要保持输入输出的空间分辨率一致。使用步长为1的卷积并配合padding（论文中使用same卷积，即padding=1 for 3x3 kernel）可以保证特征图尺寸不变。

4. 最后一层不使用ReLU和BN： 这是因为网络输出是噪声，噪声值理论上可正可负，使用ReLU会截断负值，不符合物理意义。同时，最后一层也不加BN，直接输出。

基于以上分析，我们的基础DnCNN模型类（DnCNN）的__init__和forward方法就有了清晰的实现思路。我们将深度depth、是否使用BNuse_bn、输入通道n_channels作为参数。

import torch import torch.nn as nn class DnCNN(nn.Module): def __init__(self, depth=17, n_channels=64, image_channels=1, use_bn=True, kernel_size=3): super(DnCNN, self).__init__() self.depth = depth padding = kernel_size // 2 # 保证尺寸不变的padding # 第一层：Conv + ReLU layers = [nn.Conv2d(in_channels=image_channels, out_channels=n_channels, kernel_size=kernel_size, padding=padding, bias=True), nn.ReLU(inplace=True)] # 中间 (depth-2) 层： Conv + BN + ReLU for _ in range(depth-2): layers.append(nn.Conv2d(in_channels=n_channels, out_channels=n_channels, kernel_size=kernel_size, padding=padding, bias=False)) if use_bn: # BN层放在卷积层之后，ReLU之前 layers.append(nn.BatchNorm2d(n_channels, eps=0.0001, momentum=0.95)) layers.append(nn.ReLU(inplace=True)) # 最后一层： Conv layers.append(nn.Conv2d(in_channels=n_channels, out_channels=image_channels, kernel_size=kernel_size, padding=padding, bias=False)) self.dncnn = nn.Sequential(*layers) def forward(self, x): # 输入x是带噪图像，输出是估计的噪声 noise = self.dncnn(x) return noise # 去噪后的图像在外部计算： y_hat = x - noise

注意： 原论文中第一层和最后一层使用了bias，而中间层在使用了BN后没有使用bias。这是因为BN层本身包含一个可学习的偏移参数（beta），它已经起到了bias的作用，再添加一个bias参数是冗余的，可能使训练不稳定。这是一个容易被忽略但重要的实现细节。

2.2 DnCNN-B：面向盲去噪的适应性训练

DnCNN-B的目标是让一个模型应对不同水平的加性高斯白噪声（AWGN）。论文中的做法是在训练时，为每一张（或每一批）训练图像，随机从一个均匀分布U[0, σ_max]中采样一个噪声水平σ，然后用这个σ来生成带噪图像。

这里的核心在于数据加载和噪声生成逻辑的修改，模型结构本身与基础DnCNN完全一致。所以，我们可以让DnCNN_B类继承自DnCNN，或者更简单地在训练循环中动态改变噪声水平。

我更倾向于在数据集类（Dataset）中实现这个逻辑，这样更符合Pytorch的数据流。我们创建一个新的数据集类，比如RandomNoiseDataset，它接收一个干净图像数据集和最大噪声水平sigma_max。在__getitem__方法中，它读取一张干净图像，随机采样一个σ，然后生成noisy_img = clean_img + (sigma/255.) * torch.randn_like(clean_img)。

class RandomNoiseDataset(Dataset): def __init__(self, clean_image_paths, sigma_max=55, transform=None): self.clean_image_paths = clean_image_paths self.sigma_max = sigma_max self.transform = transform def __len__(self): return len(self.clean_image_paths) def __getitem__(self, idx): # 加载干净图像，假设已经是[0,1]范围的Tensor clean_img = ... # 加载代码 if self.transform: clean_img = self.transform(clean_img) # 为这张图随机生成噪声水平 sigma = torch.rand(1) * self.sigma_max # U[0, sigma_max] # 生成高斯噪声 noise = (sigma / 255.0) * torch.randn_like(clean_img) noisy_img = clean_img + noise # 确保图像像素值在合理范围内，虽然加噪后可能略微超出[0,1] noisy_img = torch.clamp(noisy_img, 0., 1.) # 对于DnCNN的残差学习，我们需要网络学习噪声 # 因此标签是 noise， 输入是 noisy_img return noisy_img, noise, sigma.item() # 也可以返回sigma用于记录

这样，在训练DnCNN-B时，我们只需要使用这个RandomNoiseDataset，而模型、损失函数、优化器都可以和训练固定噪声水平的DnCNN时保持一致。一个重要的训练技巧是：由于噪声水平变化很大，损失值的尺度也会变化。可以考虑在计算损失时，对每个样本根据其噪声水平进行归一化，或者使用更稳定的损失函数如Smooth L1 Loss。

2.3 DnCNN-3：单网络处理多任务的早期探索

DnCNN-3的结构比基础DnCNN更复杂一些。它包含一个共享的特征提取前端，然后接三个独立的任务特定后端（去噪、超分、去块效应）。论文中使用了递归（Recursive）学习，即多个层共享权重，以降低参数量。

在实现上，这带来了两个挑战：

1. 多任务学习（Multi-task Learning）： 网络需要同时处理三种不同的输入-输出对。对于去噪，输入是带噪图，输出是噪声；对于超分（假设是x2），输入是低分辨率图，输出是高分辨率与低分辨率上采样后的残差；对于去块效应，输入是压缩后的块效应图像，输出是块效应伪影。
2. 递归层（Recursive Layer）： 论文中使用了多个递归层。在Pytorch中，实现递归最简单的方式是使用一个nn.Module层，然后在forward中循环调用它。需要特别注意在循环中维护隐藏状态（如果有时序性）以及梯度计算。

由于DnCNN-3相对复杂，且论文中对超分和去块效应任务的数据准备、预处理（如DCT变换）有特定要求，完整的复现需要更大的篇幅。在这里，我可以给出一个简化的框架思路，重点展示如何组织多任务和递归结构。

class RecursiveBlock(nn.Module): """一个递归块，包含卷积、BN、ReLU，权重在多次调用间共享""" def __init__(self, n_channels, kernel_size=3): super().__init__() padding = kernel_size // 2 self.conv = nn.Conv2d(n_channels, n_channels, kernel_size, padding=padding, bias=False) self.bn = nn.BatchNorm2d(n_channels) self.relu = nn.ReLU(inplace=True) def forward(self, x, iterations=3): # 递归调用iterations次 for _ in range(iterations): x = self.conv(x) x = self.bn(x) x = self.relu(x) return x class DnCNN_3(nn.Module): def __init__(self, base_channels=64, task_specific_channels=64): super().__init__() # 共享特征提取前端 self.shared_front = nn.Sequential( nn.Conv2d(1, base_channels, 3, padding=1), nn.ReLU(inplace=True), RecursiveBlock(base_channels, iterations=3), RecursiveBlock(base_channels, iterations=3), ) # 任务特定后端 # 假设三个任务都是输出单通道残差图 self.denoise_tail = self._make_tail(base_channels, task_specific_channels) self.sr_tail = self._make_tail(base_channels, task_specific_channels) # 超分 self.deblock_tail = self._make_tail(base_channels, task_specific_channels) # 去块效应 def _make_tail(self, in_c, out_c): return nn.Sequential( nn.Conv2d(in_c, out_c, 3, padding=1), nn.BatchNorm2d(out_c), nn.ReLU(inplace=True), nn.Conv2d(out_c, 1, 3, padding=1, bias=False) # 最后一层无BN，无ReLU ) def forward(self, x, task_type='denoise'): # task_type: 'denoise', 'sr', 'deblock' features = self.shared_front(x) if task_type == 'denoise': out = self.denoise_tail(features) elif task_type == 'sr': out = self.sr_tail(features) elif task_type == 'deblock': out = self.deblock_tail(features) else: raise ValueError(f"Unknown task type: {task_type}") return out

在实际训练DnCNN-3时，我们需要准备三个不同的数据集，并在每个训练迭代中，随机选择一个任务，从对应数据集中取一个批次的数据，计算该任务对应的损失（例如，去噪用噪声的L2损失，超分用残差的L2损失）。这涉及到更复杂的数据加载器和训练循环设计。

3. 数据准备与预处理：决定模型上限的关键

模型结构决定了能力的上限，而数据和训练决定了能逼近这个上限的程度。对于图像去噪任务，数据准备尤其重要。

3.1 训练数据：BSD400/500与数据增强

原论文使用BSD400（训练）和BSD68（测试）作为灰度图像数据集，对于彩色则使用ImageNet的子集。我们今天有更多选择，比如DIV2K、Flickr2K等更高分辨率的数据集，但对于复现论文，使用BSD数据集更能保证可比性。

数据预处理流程通常包括：

1. 读取与转换： 将图像读入，转换为灰度（如果是灰度模型），并归一化像素值到[0, 1]范围（img / 255.0）。
2. 随机裁剪（Random Crop）： 这是最重要的数据增强手段。论文中裁剪出50 x 50的小块进行训练。这样做有两个好处：一是增加样本数量，二是迫使模型学习局部特征而非记忆整张图像。在实际操作中，我们可以裁剪更大的块，比如128x128或256x256，以适应现代GPU内存，同时保留更多上下文信息。
3. 随机翻转/旋转（Random Flip/Rotation）： 水平、垂直翻转以及90度的随机旋转，可以进一步增加数据多样性，且这些操作不会改变图像的语义内容，非常适合低层视觉任务。
4. 噪声添加： 这是最关键的一步。对于固定噪声水平的DnCNN，我们使用noisy = clean + (sigma/255.) * N(0, I)。这里有一个非常重要的细节：噪声的标准差是sigma/255，因为我们的图像像素值范围是[0,1]。如果原始图像是0-255范围，则噪声应为sigma * N(0, I)。务必统一范围，否则噪声强度会差255倍！

对于DnCNN-B，噪声添加步骤集成在数据集类中，如2.2节所述。对于DnCNN-3，则需要为三个任务分别准备数据，并实现相应的退化模拟（如双三次下采样模拟超分，JPEG压缩模拟去块效应）。

3.2 测试数据与评估指标

常用的测试集有BSD68、Set12、Urban100等。评估指标主要是峰值信噪比（PSNR）和结构相似性指数（SSIM）。PSNR计算简单，但与人类主观感受相关性一般；SSIM更符合人眼视觉系统。

在实现评估代码时，必须注意以下几点：

1. 图像范围： 计算PSNR/SSIM前，确保预测图像和真实图像都在同一范围，通常是[0, 255]（uint8）或[0, 1]（float）。我们的模型输出是[0,1]范围的残差，去噪后图像y_hat = x - noise也可能略微超出[0,1]，需要先进行clamp操作，然后乘以255转换。
2. 边界处理： 如果测试图像尺寸不能被网络整除（由于卷积的padding策略，通常可以接受任意尺寸），可以直接输入。但有些实现为了追求精确复现，会对图像进行分块（patch）测试，然后合并，以避免边界效应。对于DnCNN这种全卷积网络，通常不需要。
3. 批量计算： 使用torchmetrics库可以方便地批量计算PSNR和SSIM，但要注意其默认的参数设置（如动态范围data_range）是否正确。

import torch from torchmetrics.image import PeakSignalNoiseRatio, StructuralSimilarityIndexMeasure def evaluate_model(model, test_loader, device, sigma=25): model.eval() psnr_metric = PeakSignalNoiseRatio(data_range=1.0).to(device) ssim_metric = StructuralSimilarityIndexMeasure(data_range=1.0).to(device) total_psnr = 0.0 total_ssim = 0.0 num_batches = 0 with torch.no_grad(): for clean_imgs in test_loader: # test_loader只加载干净图像 clean_imgs = clean_imgs.to(device) # 生成带噪测试图像 noise = (sigma / 255.0) * torch.randn_like(clean_imgs) noisy_imgs = clean_imgs + noise noisy_imgs = torch.clamp(noisy_imgs, 0., 1.) # 预测噪声 pred_noise = model(noisy_imgs) # 得到去噪图像 denoised_imgs = noisy_imgs - pred_noise denoised_imgs = torch.clamp(denoised_imgs, 0., 1.) # 计算指标 batch_psnr = psnr_metric(denoised_imgs, clean_imgs) batch_ssim = ssim_metric(denoised_imgs, clean_imgs) total_psnr += batch_psnr.item() total_ssim += batch_ssim.item() num_batches += 1 avg_psnr = total_psnr / num_batches avg_ssim = total_ssim / num_batches model.train() # 恢复训练模式 return avg_psnr, avg_ssim

4. 训练策略与超参数调优：从论文到实践的鸿沟

有了模型和数据，训练是让一切运转起来的引擎。原论文的训练细节是复现性能的关键。

4.1 损失函数与优化器选择

论文使用均方误差（MSE）损失，即噪声估计的L2损失：Loss = || v - \hat{v} ||^2。这在Pytorch中对应nn.MSELoss()。对于DnCNN-B，由于噪声水平变化，MSE损失可能会因为大噪声样本而主导梯度。一种改进是使用Charbonnier损失（一种稳健的L1损失变体），它对异常值不那么敏感：Loss = sqrt((v - \hat{v})^2 + ε^2)，其中ε是一个小常数（如1e-3）。

优化器使用Adam，初始学习率lr=1e-3。这是现在的标准配置。论文发表时Adam刚提出不久，这个选择很前沿。

4.2 学习率调度与训练轮次

论文训练了50个epoch，并在第30个epoch时将学习率衰减到1e-4。我们可以用torch.optim.lr_scheduler.StepLR或MultiStepLR来实现。

import torch.optim as optim from torch.optim.lr_scheduler import MultiStepLR model = DnCNN(depth=17, image_channels=1).to(device) criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=1e-3) # 在第30个epoch时衰减学习率 scheduler = MultiStepLR(optimizer, milestones=[30], gamma=0.1) for epoch in range(50): # 训练循环... train_one_epoch(model, train_loader, criterion, optimizer, device) # 学习率调度 scheduler.step() # 验证和保存模型...

这里有一个非常重要的实操细节：论文中提到他们使用了小批量（minibatch）大小为128。对于高分辨率图像块（如128x128），这需要非常大的GPU显存。在实际操作中，我们往往需要根据自己显卡的显存来调整批量大小和图像块大小。如果显存不足，可以减小批量大小，但为了保持训练稳定性，可能需要相应地调整学习率（通常批量大小减半，学习率也大致减半），或者使用梯度累积（Gradient Accumulation）来模拟大批量训练。

4.3 权重初始化与训练技巧

论文中提到了权重初始化采用“Kaiming Normal”（He初始化），这在Pytorch的默认卷积层初始化中已经使用了（对于ReLU激活函数）。我们通常不需要手动修改。

其他训练技巧包括：

• 梯度裁剪（Gradient Clipping）： 虽然Adam优化器通常比较稳定，但在训练深度网络时，偶尔还是会出现梯度爆炸。添加torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)可以增加稳定性。
• 随机种子固定： 为了可复现性，固定所有随机种子（torch.manual_seed,np.random.seed,random.seed）是必要的。
• 模型保存与早停（Early Stopping）： 不仅仅在最后一个epoch保存模型，而是在验证集性能（PSNR）达到最佳时保存，防止过拟合。

4.4 DnCNN-B与DnCNN-3的训练调整

对于DnCNN-B，最大的调整在数据端（随机噪声水平）。在训练策略上，由于任务更难（需要适应一个范围而非一个固定噪声），可能需要更长的训练时间（比如80-100个epoch），或者使用更细致的学习率调度（例如，每20个epoch衰减一次）。

对于DnCNN-3，训练循环最复杂。我们需要一个“多任务数据加载器”，或者在每个iteration中随机选择一种任务，从对应的DataLoader中取数据。损失函数是三个任务损失的和（或加权和）。论文中使用了交替训练的策略，这可能更稳定。一个简化的训练循环框架如下：

tasks = ['denoise', 'sr', 'deblock'] task_loaders = {'denoise': denoise_loader, 'sr': sr_loader, 'deblock': deblock_loader} for epoch in range(num_epochs): model.train() # 假设每个任务的loader长度一样，或者用最长的那个 for i in range(steps_per_epoch): # 随机选择一个任务 current_task = random.choice(tasks) data_iter = iter(task_loaders[current_task]) try: if current_task == 'denoise': noisy_imgs, clean_imgs = next(data_iter) # 生成噪声标签... loss = criterion(noise_pred, true_noise) elif current_task == 'sr': lr_imgs, hr_imgs = next(data_iter) # 计算残差标签... loss = criterion(residual_pred, true_residual) # ... 其他任务类似 optimizer.zero_grad() loss.backward() optimizer.step() except StopIteration: # 如果某个任务的loader先耗尽，可以重新创建迭代器 pass

5. 完整复现流程与代码组织

将上述所有部分组合起来，一个完整的、可复现的项目应该具备清晰的代码结构。以下是一个建议的目录结构：

dncnn_complete/ ├── data/ │ ├── train/ # 放置训练图像（如BSD400） │ ├── test/ # 放置测试图像（如BSD68, Set12） │ └── prepare_data.py # 数据下载和预处理脚本（如裁剪、生成HDF5文件加速读取） ├── models/ │ ├── __init__.py │ ├── dncnn.py # DnCNN, DnCNN_B, DnCNN_3 模型定义 │ └── losses.py # 自定义损失函数（如CharbonnierLoss） ├── datasets/ │ ├── __init__.py │ ├── denoise_dataset.py # 固定噪声水平数据集 │ ├── blind_denoise_dataset.py # 随机噪声水平数据集 (DnCNN-B) │ └── multitask_dataset.py # 多任务数据集 (DnCNN-3) ├── utils/ │ ├── __init__.py │ ├── metrics.py # PSNR, SSIM计算函数 │ └── logger.py # 日志和TensorBoard记录 ├── configs/ │ ├── dncnn.yaml # 基础DnCNN配置文件 │ ├── dncnn_b.yaml # DnCNN-B配置文件 │ └── dncnn_3.yaml # DnCNN-3配置文件 ├── train.py # 主训练脚本，通过配置文件选择模型和训练模式 ├── test.py # 模型测试和评估脚本 ├── inference.py # 单张图像推理脚本 └── requirements.txt # 项目依赖

train.py脚本的核心逻辑应该包括：解析配置文件、构建模型/数据/优化器、训练循环、验证、日志记录和模型保存。使用配置文件（如YAML）管理超参数，比硬编码在脚本中更利于实验管理。

一个常见的坑是数据加载的瓶颈。如果每次训练都从磁盘读取图像并在线添加噪声，IO会成为瓶颈。一个优化方案是预生成带噪-干净图像对，并存储为.h5或.pt文件，或者使用lmdb数据库，可以极大加快训练速度，尤其是当使用机械硬盘时。

6. 实际测试与性能对比分析

按照上述流程，我分别训练了基础DnCNN（σ=25）、DnCNN-B（σ ∈ [0,55]）和DnCNN-3（仅复现去噪部分）。在BSD68测试集上，得到的PSNR结果如下：

注意： 性能的微小差异可能源于随机种子、训练数据的具体裁剪方式、训练总迭代次数（论文中是基于patch数而非epoch数）、优化器状态（如Adam的动量项）等细微差别。完全一致的复现几乎不可能，但只要结果在0.1-0.2 dB以内，通常认为复现是成功的。

在测试过程中遇到的典型问题与解决方案：

1. PSNR不升反降： 检查数据范围。最常见的问题是干净图像和噪声图像的范围不统一（一个[0,1]，一个[0,255]）。确保训练和测试时，图像和噪声都使用相同的数值范围（强烈推荐统一到[0,1]）。
2. 训练损失震荡大： 尝试减小学习率，或使用梯度裁剪。对于DnCNN-B，由于噪声水平动态变化，损失震荡可能更大，可以尝试使用Smooth L1损失或Charbonnier损失替代MSE。
3. 模型输出全黑或全灰： 检查残差学习逻辑是否正确。网络输出的是噪声，去噪图像是input - output。如果损失函数计算的是网络输出与干净图像的差异，会导致网络崩溃。确保标签是noise，而不是clean_image。
4. 显存不足（OOM）： 减小批量大小（batch size）或裁剪的图像块大小（patch size）。可以使用torch.cuda.empty_cache()定期清理缓存。考虑使用混合精度训练（torch.cuda.amp）来节省显存并加速。

7. 超越论文：实用化扩展与优化

完成基本复现后，我们可以基于现代深度学习实践，对这个经典模型进行一些优化，使其更实用。

1. 使用更现代的数据集： 用DIV2K、Flickr2K等更大、更高质量的数据集进行预训练或训练，可以提升模型在复杂自然图像上的去噪能力。
2. 引入感知损失（Perceptual Loss）： 仅用MSE（PSNR）损失优化的图像可能过于平滑，丢失纹理细节。结合VGG网络提取的特征图计算感知损失，可以提升去噪图像的视觉质量。
3. 自集成（Self-Ensemble）： 测试时，对输入图像进行翻转、旋转等增强，将增强后的图像分别输入网络得到结果，再进行逆变换平均，可以稳定提升PSNR 0.1-0.3 dB，这是很多图像复原比赛中的常用技巧。
4. 模型轻量化： 原始的DnCNN-17有约0.5M参数。可以通过通道剪枝（Channel Pruning）、知识蒸馏（Knowledge Distillation）或设计更高效的轻量级模块（如深度可分离卷积）来减少参数量和计算量，便于部署到移动端或边缘设备。
5. 真实噪声去噪： DnCNN是针对加性高斯白噪声（AWGN）设计的，而真实相机噪声要复杂得多（信号相关、通道相关、空间相关）。可以尝试在合成真实噪声的数据集（如SIDD、RENOIR）上微调DnCNN，或者使用更先进的真实噪声建模方法。

通过这个从论文到代码的完整复现过程，我最大的体会是，读懂论文只是第一步，把论文中的每一个假设、每一个参数选择都准确地翻译成代码，并在训练中观察到预期的性能，中间有大量的“坑”需要填。这需要对深度学习框架、优化理论以及任务本身都有深入的理解。这次对DnCNN及其变体的完复现，不仅让我得到了几个可用的去噪模型，更重要的是梳理了一套复现经典论文的方法论，这对于后续研究其他工作非常有帮助。代码已经整理开源，希望能帮助到同样想深入理解DnCNN的朋友。

本文还有配套的精品资源，点击获取