CDLNet：基于深度卷积字典学习的鲁棒且可解释的去噪方法

基于深度学习的方法在图像去噪领域取得了最先进的成果，但由于其构建模块（如批量归一化、残差学习和特征域处理）尚未完全理解，这些方法仍然难以解释。展开优化网络提出了一种可解释的替代方案来构建深度神经网络，通过从经典的迭代优化方法中推导出其架构，而不使用标准深度学习工具箱中的技巧。迄今为止，这类方法在性能上已接近最先进的模型，同时利用其可解释的构造实现了相对较低的学习参数数量。在这项工作中，我们提出了一种展开卷积字典学习网络（CDLNet），并在低参数量和高参数量两种情况下展示了其具有竞争力的去噪性能。具体而言，我们证明了所提出的模型在相似参数量下优于最先进的去噪模型。此外，我们利用该模型的可解释构造提出了对网络阈值的增强方法，从而实现了最先进的盲去噪性能，并在训练过程中未见过的噪声水平上达到了近乎完美的泛化能力。