图像去噪经典｜ECNDNet：融合残差、BN与空洞卷积的增强型去噪网络
论文信息
- 标题：Enhanced CNN for image denoising
- 会议：CAAI Transactions on Intelligence Technology 2019
- 单位：哈尔滨工业大学（深圳）、广东工业大学、黑龙江省科学院自动化研究所
- 代码：https://github.com/hellloxiaotian/ECNDNet
- 论文：https://arxiv.org/pdf/1810.11834
一、开篇：深度CNN去噪的两大痛点
图像去噪的退化模型：
y=x+μy = x + \muy=x+μ
- yyy：含噪图像
- xxx：清晰图像
- μ\muμ：加性高斯噪声，标准差为σ\sigmaσ
传统深度CNN去噪（如DnCNN）存在两个硬伤：
- 网络加深易出现梯度消失/爆炸，训练极难收敛
- 单纯堆深会导致性能饱和，且计算成本飙升
ECNDNet直接给出解决方案：残差学习+批量归一化+空洞卷积，17层轻量网络就能实现SOTA去噪效果，又快又准。
二、核心三板斧：原理+通俗解释
2.1 残差学习（Residual Learning）
解决：深层网络梯度消失/爆炸，让网络学得动
公式：H(x)=f(x)+xH(x) = f(x) + xH(x)=f(x)+x
- xxx：模块输入
- f(x)f(x)f(x)：卷积层学习到的残差
- H(x)H(x)H(x)：模块输出
通俗解释：网络不直接学清晰图，只学噪声残差，输入+残差直接输出结果，梯度一路畅通，17层也能轻松训练。
图片1 残差学习原理
图1分析：直接把输入"抄近道"加到输出，保证网络再深也不会训不动。
2.2 批量归一化（BN）
解决：内部协变量偏移，加速收敛
原理：对每批数据归一化，再缩放平移，保持数据分布稳定
通俗解释：给每层输入"标准化体检"，数据分布不乱，训练更快更稳，还不挑初始化参数。
2.3 空洞卷积（Dilated Convolution）
解决：增大感受野，不增参量不降分辨率
膨胀率rrr，等效卷积核大小：(2r+1)×(2r+1)(2r+1)×(2r+1)(2r+1)×(2r+1)
通俗解释：卷积核中间"挖洞"，一眼看更大区域，捕捉更多上下文信息，计算量还不涨。
三、网络结构：17层精简便携设计
图片2 ECNDNet整体架构
网络层级配置（17层）
- 第1、16层：Conv+ReLU
- 第2、5、9、12层：空洞卷积+BN+ReLU（膨胀率=2）
- 其余中间层：Conv+BN+ReLU
- 最后1层：Conv输出残差
- 感受野覆盖：3×3 → 43×43，多尺度上下文拉满
核心设计逻辑
- 只做17层，轻量低计算
- 仅4层用空洞卷积，平衡性能与速度
- 残差+BN兜底训练稳定性，空洞卷积提细节
四、损失函数：残差学习的标准配置
l(p)=1N∑j=1N∥f(yj;p)−(yj−xj)∥2l(p) = \frac{1}{N}\sum_{j=1}^{N}\|f(y_j;p)-(y_j-x_j)\|^2l(p)=N1j=1∑N∥f(yj;p)−(yj−xj)∥2
- ppp：网络所有参数
- yjy_jyj：第jjj个含噪图像块
- xjx_jxj：第jjj个清晰标签块
- f(yj;p)f(y_j;p)f(yj;p)：网络输出的残差
- NNN：一批的图像块数量
通俗解释：让网络输出的残差，无限逼近含噪图-清晰图的真实差值，回归任务稳定好训。
五、核心PyTorch代码实现
5.1 空洞卷积残差块
python
import torch
import torch.nn as nn
class DilatedResBlock(nn.Module):
def __init__(self, in_channels=64, out_channels=64, dilation=2):
super().__init__()
self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3,
padding=dilation, dilation=dilation)
self.bn1 = nn.BatchNorm2d(out_channels)
self.act = nn.ReLU(inplace=True)
self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1)
self.bn2 = nn.BatchNorm2d(out_channels)
def forward(self, x):
residual = x
out = self.act(self.bn1(self.conv1(x)))
out = self.bn2(self.conv2(out))
out += residual # 残差连接
out = self.act(out)
return out5.2 ECNDNet完整17层网络
python
class ECNDNet(nn.Module):
def __init__(self, num_layers=17, channels=64):
super().__init__()
self.head = nn.Sequential(
nn.Conv2d(1, channels, 3, 1, 1),
nn.ReLU(inplace=True)
)
# 中间层：按论文配置空洞卷积位置
layers = []
dilated_layers = [2,5,9,12]
for i in range(1, num_layers-1):
if i in dilated_layers:
layers.append(DilatedResBlock(channels, channels, dilation=2))
else:
layers.append(nn.Conv2d(channels, channels, 3, 1, 1))
layers.append(nn.BatchNorm2d(channels))
layers.append(nn.ReLU(inplace=True))
self.body = nn.Sequential(*layers)
self.tail = nn.Conv2d(channels, 1, 3, 1, 1)
def forward(self, x):
residual = x
out = self.head(x)
out = self.body(out)
out = self.tail(out)
out = residual - out # 清晰图=含噪图-残差
return out六、实验结果：全方位吊打传统方法
6.1 BSD68数据集对比（表格1 出处：原论文Table 1）
| 方法 | σ=15 | σ=25 | σ=50 |
|---|---|---|---|
| BM3D | 31.07 | 28.57 | 25.62 |
| WNNM | 31.37 | 28.83 | 25.87 |
| IRCNN | 31.63 | 29.15 | 26.19 |
| ECNDNet | 31.71 | 29.22 | 26.23 |
表格1分析：在高斯噪声σ=15/25/50下，ECNDNet全面超越BM3D、WNNM、IRCNN等经典方法，PSNR持续领先。
6.2 Set12数据集详细对比（表格2 出处：原论文Table 2）
表格2分析：12张经典测试图全类别领先，平均PSNR在σ=15达32.81dB ，σ=25达30.39dB，纹理、边缘保留极佳。
6.3 推理速度对比（表格3 出处：原论文Table 3）
| 方法 | 256×256 | 512×512 | 1024×1024 |
|---|---|---|---|
| BM3D(CPU) | 0.65s | 2.85s | 11.89s |
| DnCNN-s(GPU) | 0.008s | 0.068s | 0.154s |
| ECNDNet(GPU) | 0.012s | 0.079s | 0.205s |
表格3分析：ECNDNet速度与DnCNN-s接近，远超传统CPU算法，速度与精度双赢。
七、消融实验：验证每一个模块
图片3 网络变体收敛曲线（出处：原论文Fig.6、Fig.7）
图3分析：
- CRNet（仅Conv+ReLU）：收敛差、PSNR低
- CRRBNet（+残差+BN）：收敛大幅提升
- ECNDNet（+空洞卷积）：再涨点，效果最好
结论：残差+BN解决训练难，空洞卷积提性能，三者缺一不可。
八、总结
ECNDNet是轻量、稳定、高效的CNN去噪范式：
- 残差学习：解决深层梯度消失，17层轻松训练
- 批量归一化：加速收敛，训练更稳定
- 空洞卷积：扩大感受野，不增计算提细节
- 综合性能：BSD68、Set12均达SOTA，速度快适合落地
这套组合拳至今仍是低层视觉任务的经典增效模板。