罗仁泽，王瑞杰，张 可，范顺利

(1.西南石油大学油气藏地质及开发工程国家重点实验室，四川 成都 610500；2.西南石油大学电气信息学院，四川 成都 610500；3.西南石油大学地球科学与技术学院，四川 成都 610500)

1 引言

传统图像去噪模型可分为基于空间域、变换域、稀疏表示以及自然统计四大类。其中具有代表性的方法有：基于空间域的中值滤波法[1]，此方法忽略了每个像素自身的特点，去噪后图像将会出现较为严重的模糊现象；基于变换域的BLS-GSM[2]，此方法在去噪的同时会丢失一部分有用信息；基于稀疏表示法的NLSC[3]，此方法去噪计算时间较长、去噪效率低；基于自然统计的BM3D[4]，此方法只能滤除某种特定的噪声。

为了克服传统去噪模型的局限性，基于深度学习的非线性、深度的图像去噪模型被大量提出。其中基于自编码(Auto-encoder，AE)网络[5-7]、卷积神经网络[8-10](Convolutional Neural Network，CNN)、生成对抗网络[11-13](Generative Adversarial Networks，GAN)广泛应用于图像去噪领域。基于自编码网络的DCAENN[5]，可有效去除胸部X线图像的噪声，但只能去除已知的噪声，不具有泛化能力；基于栈式稀疏去噪自编码网络的SSDAs[6]，通过多个SSDAs相组合，将稀疏编码与去噪自编码器预训练的深度神经网络相结合进行图像去噪，但SSDAs较依赖有监督的训练，只能除去训练集中出现的噪声；基于栈式去噪自编码网络的SDA[7]，由多层的全连接网络构成，网络模型训练所需时间较长；基于残差卷积神经网络的DNCNN[9]，利用残差学习和批量归一化来加速训练过程，DNCNN模型能够处理水平未知的高斯噪声，但不能去除种类未知的噪声；……