2020 CVPR去噪论文，对KPN进行简化提高效率与性能。
原来工作的问题
1.原有的用于去噪的KPN方法产生的kernel参数维数太高，导致计算量非常大
2.原有的KPN产生的kernel比较小，限制其在更大区域内发挥作用
论文提出的点
1.由于自然图像具有内在自相关性，因此生成的kernel之间也具有自相关性结构
2.生成的核在空间上应当是在低维层面上可得到的
论文的方法
1.使用基本组成KPN（BPN网络），产生的kernel将是全局的而不是对每个像素都是特定的kernel，因此可以有效降低参数量。例如这里假定的全局kernel是B维的，对于kernel作用在输入图的结果再进行加权，每个像素使用一个加权值v。这样，还需要生成一个per pixel权重图，因此论文使用的方法只需要生成WHB+K^2TB的参数，而原来的KPN方法需要生成WHK^2T参数，可见可以大大减少参数量，方法整体框架如下图所示：
2.为了使得生成的全局kernel与像素位置无关，在encoder和生成kernel的decoder进行连接中，使用全局池化操作。
3.为了确保kernel的权重和为1，这里对生成的kernel加入softmax约束进行归一化
4.除了对参考帧，对其他帧也使用loss进行约束
5.加入傅里叶操作，这里没看了
实验与效果
K设成了15，B设成了90，效果略
思考
论文的出发点是自然图像的内在自相关性，利用这种自相关性可以有效减少参数量，对于其他low level任务也有借鉴意义。