简介：本资源面向图像去噪方向的深度学习学习者与研究者，提供基于PyTorch的DnCNN完整复现代码，并在原始DnCNN基础上扩展实现了DnCNN-B、CDnCNN-B与DnCNN-3的训练与测试流程，适合具备一定PyTorch基础、希望系统复现论文实验的读者。压缩包共20个文件，约13.2MB，包含6个pth模型权重、5个py脚本、4个xml配置及md说明等，覆盖数据生成、训练、测试与结果保存等环节，模型权重可直接加载测试，无需重新训练。目前已有2304人学习下载。资源几乎复现了论文中的全部图表，相当于把整套工作完整做了一遍，读者可据此更换路径与参数训练自己的图像数据集，并通过测试脚本计算平均PSNR与SSIM，快速验证不同噪声水平下的去噪效果，兼具参考价值与实操性。
1. 从一份能跑通的 DnCNN 复现代码说起：它到底补了哪些坑
如果你搜过 DnCNN 的 PyTorch 实现，大概率见过那种「只有模型定义、没有训练脚本、测试靠脑补」的仓库。这份资源不一样，它是在一份能跑通的 DnCNN 源码基础上，把 DnCNN-B、CDnCNN-B、DnCNN-3 三个变体的训练和测试流程都补齐了。换句话说，你拿到的不只是一个model.py，而是一套从数据准备、噪声合成、训练调度到 PSNR 评估的完整链路。适合谁？正在做图像去噪 baseline 对比的研究生、需要快速验证去噪网络结构的算法工程师，以及想拿 DnCNN 当 backbone 改注意力模块的人。它解决的核心问题是：让你不用从零搭训练框架，直接改配置就能复现论文里的盲去噪和非盲去噪结果。下面我按「先搞懂变体差异，再动手跑通，最后避开几个血泪坑」的顺序拆一遍。
2. 四个变体到底差在哪：DnCNN、DnCNN-B、CDnCNN-B、DnCNN-3 的选型逻辑
2.1 从 DnCNN 到 DnCNN-B：噪声水平输入方式的改变
原始 DnCNN 是非盲去噪，意思是训练和测试时都要把噪声标准差 σ 作为先验告诉网络。具体做法是把 σ 归一化后拼成一个常数通道，和噪声图像一起送进网络。这份源码里对应的是DnCNN类，输入通道数为 2（灰度图 1 通道 + σ 图 1 通道）。而 DnCNN-B 是盲去噪版本，网络不知道 σ 是多少，输入通道数变成 1，靠网络自己从图像里估计噪声水平。这个改动看似只是少了一个通道，但训练策略完全不同：DnCNN 通常针对单个 σ 训练一个模型，DnCNN-B 则要在一定范围的 σ 上混合训练，才能覆盖未知噪声。
选型建议很直接：如果你的测试集噪声水平已知且固定，用 DnCNN 非盲版本，收敛更快、PSNR 更高；如果噪声水平未知或变化，必须上 DnCNN-B。我一般会先跑 DnCNN-B 看盲去噪的 baseline，再针对特定 σ 微调非盲版本做上限对比。
2.2 CDnCNN-B 与 DnCNN-3：彩色图像和三种噪声水平的处理
CDnCNN-B 里的 C 就是 Color，把输入从单通道灰度扩展到三通道 RGB。这里有个容易翻车的点：彩色图像的噪声通常在 RGB 三个通道独立添加，但网络是否共享权重、是否在 YCbCr 空间处理，会直接影响结果。这份源码采用的是直接在 RGB 空间训练，卷积核在三个通道上共享，参数量和不共享相比少很多，适合显存有限的场景。
DnCNN-3 则是「一个模型打三种噪声」：高斯去噪、SIDD 真实去噪、JPEG 去块效应。它的网络结构和 DnCNN-B 一致，区别在训练数据混合了三种退化类型。如果你只想快速验证一个模型能否同时处理多种退化，DnCNN-3 是最省事的起点。但要注意，混合训练时三种任务的损失量级可能不一致，源码里默认用 MSE，实际跑的时候可能需要给不同任务加权。
2.3 参数量与感受野的取舍
DnCNN 系列都是 17 层卷积，前 16 层是 Conv+BN+ReLU，最后一层是单 Conv 输出残差。感受野大约 35×35，对于 40×40 的 patch 刚好覆盖。这意味着训练时 patch size 不能太小，否则边缘信息学不到；也不能太大，否则显存吃紧。源码默认 patch size 是 40，batch size 16，这个配置在 8GB 显存的卡上跑 DnCNN-B 没问题，但 CDnCNN-B 因为三通道输入，显存占用大约翻三倍，需要把 batch size 降到 4 或 8。
提示：如果你打算把 DnCNN 当 backbone 加注意力模块，建议先冻结前 10 层跑几个 epoch，确认梯度不爆炸再解冻全量微调。
3. 把代码跑起来：环境、数据合成与训练脚本的实操步骤
3.1 环境搭建与依赖版本
这份源码基于 PyTorch，没有用复杂的第三方框架。我实测过的稳定组合是 Python 3.8 + PyTorch 1.12 + CUDA 11.3，或者 PyTorch 2.0 + CUDA 11.8。如果你在 WSL 里配环境，注意 CUDA 驱动版本要和 Windows 主机一致，否则torch.cuda.is_available()会返回 False。安装命令如下：
# 创建虚拟环境，避免和系统包冲突 conda create -n dncnn python=3.8 -y conda activate dncnn # 安装 PyTorch，以 CUDA 11.3 为例 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html # 安装其他依赖 pip install numpy opencv-python scikit-image tqdm tensorboard逻辑说明：torch和torchvision版本必须匹配，+cu113表示 CUDA 11.3 编译版本。如果你用 7900XTX 这类 AMD 卡，PyTorch 官方不支持 ROCm 以外的加速，建议直接用 CPU 跑小规模验证，或者换 N 卡。scikit-image用来算 PSNR 和 SSIM，tensorboard看训练曲线。
3.2 训练数据合成：高斯噪声怎么加才和论文一致
DnCNN 原文用的是 BSD400 + Waterloo 数据集，合成高斯噪声的方式是img + sigma/255 * randn。注意这里 sigma 是 0-255 尺度的，不是 0-1。很多复现翻车就翻在这里：如果先把图像归一化到 [0,1] 再加噪声，sigma 要除以 255。源码里提供了data_generator.py，核心逻辑如下：
import numpy as np import cv2 def add_gaussian_noise(img, sigma): """ img: 灰度或彩色图像，uint8，范围 0-255 sigma: 噪声标准差，0-255 尺度 返回加噪后的 uint8 图像 """ noise = np.random.randn(*img.shape) * sigma noisy = img.astype(np.float32) + noise # 裁剪到合法范围，避免溢出 noisy = np.clip(noisy, 0, 255).astype(np.uint8) return noisy # 生成训练 patch 的示例 def generate_patches(img, patch_size=40, stride=10, sigma=25): h, w = img.shape[:2] patches = [] for i in range(0, h - patch_size + 1, stride): for j in range(0, w - patch_size + 1, stride): patch = img[i:i+patch_size, j:j+patch_size] noisy_patch = add_gaussian_noise(patch, sigma) patches.append((noisy_patch, patch)) return patches参数说明：sigma=25对应论文里常用的噪声水平；patch_size=40是 DnCNN 的标准输入；stride=10控制 patch 重叠程度，stride 越小样本越多但训练越慢。注意np.clip这一步不能省，否则加噪后像素值可能超过 255 或低于 0，训练时 loss 会异常。
3.3 训练脚本的关键参数与启动命令
源码里训练入口是train.py，支持通过 argparse 切换模型类型。启动 DnCNN-B 盲去噪训练的命令：
python train.py \ --model dncnn_b \ --data_dir ./data/BSD400 \ --sigma_min 10 \ --sigma_max 50 \ --patch_size 40 \ --batch_size 16 \ --epochs 50 \ --lr 1e-3 \ --log_dir ./logs/dncnn_b逻辑说明：--model指定变体，可选dncnn、dncnn_b、cdncnn_b、dncnn_3；--sigma_min和--sigma_max只在盲去噪时生效，每个 batch 随机采样一个 sigma；--lr 1e-3是初始学习率，源码默认用 StepLR，每 10 个 epoch 乘 0.5。如果你跑 CDnCNN-B，把--model换成cdncnn_b，同时把--batch_size降到 8，否则容易 OOM。
训练过程中用 TensorBoard 看 loss 曲线：
tensorboard --logdir ./logs --port 6006正常情况 loss 在前 5 个 epoch 下降很快，之后趋于平缓。如果 loss 震荡严重，检查学习率是否太大，或者数据里有没有全黑/全白的异常 patch。
3.4 测试与 PSNR 评估
测试脚本test.py会加载 checkpoint，在 Set12 或 BSD68 上计算平均 PSNR。命令示例：
python test.py \ --model dncnn_b \ --checkpoint ./logs/dncnn_b/model_best.pth \ --test_dir ./data/Set12 \ --sigma 25注意：盲去噪模型测试时也要指定--sigma，但这个 sigma 只用于合成测试噪声，不输入网络。评估指标除了 PSNR，源码还输出了 SSIM，方便和论文表格对齐。如果你发现 PSNR 比论文低 0.5dB 以上，优先检查测试图像是否做了边界裁剪——DnCNN 输出的是残差，边缘几圈像素可能不可靠，常见做法是裁掉 17 像素再算指标。
4. 避坑与排查：复现 DnCNN 时最容易翻车的五个地方
4.1 现象：训练 loss 正常下降，但测试 PSNR 只有 20dB 左右
原因：数据归一化不一致。训练时图像是 0-255 尺度，测试时如果用了ToTensor()自动归一化到 0-1，网络看到的输入分布完全不同。解决：统一用 0-255 尺度，或者在训练和测试里都做相同的归一化，并在算 PSNR 前反归一化。
4.2 现象：CDnCNN-B 训练时显存溢出，batch size 降到 1 还是 OOM
原因：彩色图像三通道输入，中间特征图通道数 64，显存占用是灰度的三倍。如果输入 patch 是 40×40，单张图占用不大，但源码里可能默认用了 256×256 的整图训练。解决：确认--patch_size是 40 而不是 256，同时把--batch_size设为 4 或 8。如果还不行，把模型中间通道数从 64 降到 32，但 PSNR 会掉 0.2dB 左右。
4.3 现象：DnCNN-3 在 JPEG 去块任务上 PSNR 远低于论文
原因：JPEG 压缩质量因子没有对齐。论文里 JPEG 去块用的是 quality factor 10-40 的压缩图像，如果你用默认的 75 质量因子，退化程度太轻，网络学不到东西。解决：在数据合成阶段显式指定cv2.imwrite的JPEG_QUALITY参数，范围 10-40，并且训练时混合多个质量因子。
4.4 现象：盲去噪模型在 sigma=50 时 PSNR 骤降
原因：训练时 sigma 采样范围太窄。如果--sigma_max只设到 30，网络没见过高噪声，测试 sigma=50 自然崩。解决：把--sigma_min和--sigma_max设成 0 和 55，覆盖常见噪声范围。但注意 sigma=0 时噪声图像等于原图，loss 会接近 0，可以设成 1 避免除零。
4.5 现象：训练到一半 loss 变成 NaN
原因：学习率太大或者梯度爆炸。DnCNN 用了 BN 层，理论上对学习率不敏感，但如果你的数据里有异常值（比如全 255 的 patch），BN 的 running mean 会被带偏。解决：加梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)，同时检查数据里有没有坏图。另外，把学习率从 1e-3 降到 1e-4 再试。
5. 进阶技巧：用 DnCNN 做迁移学习和 ONNX 导出
5.1 冻结部分层做小样本微调
如果你手头只有几十张特定场景的噪声图像，从头训练 DnCNN 肯定过拟合。常见做法是加载预训练权重，冻结前 10 层，只微调后 7 层。代码片段：
import torch from model import DnCNN # 加载预训练模型 model = DnCNN(in_channels=1, out_channels=1, num_layers=17) checkpoint = torch.load('./logs/dncnn_b/model_best.pth') model.load_state_dict(checkpoint['state_dict']) # 冻结前 10 层 for i, layer in enumerate(model.features): if i < 10: for param in layer.parameters(): param.requires_grad = False # 只优化剩余参数 optimizer = torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=1e-4)逻辑说明：model.features是源码里定义的卷积层序列，前 10 层冻结后，反向传播只更新后 7 层。学习率用 1e-4 而不是 1e-3，避免破坏预训练特征。微调 20 个 epoch 通常就能看到明显提升。
5.2 导出 ONNX 做推理加速
PyTorch 模型部署到 C++ 或 TensorRT 时，ONNX 是中间格式。导出时注意输入尺寸要固定，DnCNN 支持动态尺寸但 ONNX 对动态轴支持有限。导出命令：
import torch from model import DnCNN model = DnCNN(in_channels=1, out_channels=1, num_layers=17) model.load_state_dict(torch.load('./logs/dncnn_b/model_best.pth')['state_dict']) model.eval() # 固定输入尺寸 1x1x256x256 dummy_input = torch.randn(1, 1, 256, 256) torch.onnx.export( model, dummy_input, 'dncnn_b.onnx', input_names=['input'], output_names=['output'], opset_version=11, dynamic_axes={'input': {2: 'height', 3: 'width'}, 'output': {2: 'height', 3: 'width'}} )参数说明：opset_version=11兼容大多数推理引擎；dynamic_axes允许输入高度和宽度动态变化，但部分 TensorRT 版本对动态轴支持不好，如果部署到 TensorRT，建议固定尺寸。导出后用onnxruntime验证输出和 PyTorch 一致：
import onnxruntime as ort import numpy as np sess = ort.InferenceSession('dncnn_b.onnx') input_name = sess.get_inputs()[0].name dummy = np.random.randn(1, 1, 256, 256).astype(np.float32) onnx_out = sess.run(None, {input_name: dummy})[0] torch_out = model(torch.from_numpy(dummy)).detach().numpy() print('最大误差:', np.abs(onnx_out - torch_out).max())如果最大误差在 1e-5 以内，说明导出成功。超过 1e-3 就要检查是否有不支持的操作被替换成了近似实现。
5.3 一个我踩过的坑：BN 层在 ONNX 里的融合
DnCNN 的 Conv+BN+ReLU 结构在导出 ONNX 时，BN 层默认不会自动融合进 Conv。推理时 BN 会单独算一次，增加耗时。我一般会在导出前手动调用torch.onnx.utils.remove_experimental_patterns()或者用torch.quantization.fuse_modules把 Conv+BN+ReLU 融合成一个模块。融合后模型大小不变，但推理速度能快 15% 左右。从那以后我每次导出 ONNX 都强制走一遍融合检查，不然部署到边缘设备上延迟会莫名其妙高出一截。希望帮到你。
本文还有配套的精品资源，点击获取
