第1章 緒論 1.1 背景及意義 1.1.1 成像技術 1.1.2 圖像噪聲來源分析 1.1.3 圖像去噪研究意義 1.2 相關研究現狀 1.2.1 圖像估噪研究現狀 1.2.2 單幀圖像去噪研究現狀 1.2.3 多幀圖像去噪研究現狀 1.3 本書研究的內容與貢獻 1.4 本書的組織結構 第2章 基于深度殘差神經網絡的逐像素圖像噪聲水平估計 2.1 引言 2.2 方法 2.2.1 估噪問題的形式化 2.2.2 網絡結構 2.2.3 損失函數 2.2.4 模型訓練 2.3 實驗 2.3.1 實驗設置 2.3.2 在模擬均勻噪聲上的對比 2.3.3 在模擬非均勻噪聲上的對比 2.3.4 在真實圖像上的可視結果 2.3.5 將逐像素估噪用于深度學習去噪 2.3.6 運行時問對比 2.4 小結 第3章 基于交替方向乘子法的聯合去馬賽克去噪 3.1 引言 3.2 方法 3.2.1 問題形式化建模 3.2.2 先驗設計 3.2.3 模型求解 3.3 實驗 3.3.1 實驗設置 3.3.3 模擬噪聲去馬賽克去噪的定量對比 3.3.4 模擬噪聲去馬賽克去噪的定性對比 3.3.5 真實Raw圖去馬賽克毒噪的定性對比 3.3.6 運行時間對比 3.4 小結 第4章 基于深度神經網絡的單幀圖像去噪 4.1 引言 4.2 基于深度神經網絡的Raw圖聯合去馬賽克去噪 4.2.1 問題形式化建模 4.2.2 網絡結構 4.2.3 模型訓練 4.2.4 聯合去馬賽克去噪實驗 4.2.5 網絡結構的敏感性分析 4.2.6 運行時間對比 4.3 基于深度神經網絡的RGB圖像去噪 4.3.1 問題形式化建模 4.3.2 網絡結構 4.3.3 模型訓練 4.3.4 模擬噪聲非盲去噪實驗 4.3.5 模擬噪聲盲去噪實驗 4 4小結 第5章 基于深度神經網絡的多幀圖像去噪 5.1 引言 5.2 基于深度神經網絡的多幀RGB圖像去噪 5.2.1 問題形式化建模 5.2.2 網絡設計 5.2.3 生成訓練數據 5.2.4 實現與訓練細節 5.2.5 實驗 5.3 基于深度神經網絡的多幀Raw圖聯合去馬賽克去噪 5.3.1 問題形式化建模 5.3.2 網絡設計 5.3.3 模型訓練 5.3.4 實驗 5.4 小結 第6章 總結與展望 6.1 總結 6.2 展望 參考文獻