这是2017 CVPR的一篇论文，感觉有点意思，别人的博客分析的有很多，这里简要了解一下。
论文将目前low level图像处理的方法分为两大类，分别是基于模型的方法和判别式学习的方法，前者可以理解成是传统的方法，其灵活性比较强但是需要大量的时间去获得复杂的先验，后者则可以理解成基于机器学习的方法，其只能在特定任务上奏效。论文是将去噪先验加入到基于模型的方法里去解决其他的恢复问题。一般的图像恢复任务得到恢复的图像通过:
其中第一项是保真项，第二项是正则项。基于模型的方法一般需要反复迭代去解这个公式，而基于判别学习的方法则通过损失函数去学习先验参数。这里可以将两者进行结合，正则项可以对应于一个去噪的子问题，这个子问题可以通过判别式学习的去噪器去获得，从而带来图像先验，使得基于模型的方法可以快速工作。
使用HQS的方法进行分析，将上式的正则项的x换成z，HQS解决下面的问题:
该式可以使用下面两个公式迭代求解:
其中上面的式子对应于保真项，可以快速被求解，这里主要考虑下面的式子，其可以表示为:
可以看出来其对应于一个去噪任务，噪声水平是$\sqrt(\lambda/\mu)$，所以可以通过去噪器实现:
因为彩色通道之间具有关联性，所以去噪时同时考虑各个通道之间联系是有必要的，所以这里使用CNN的方法，而且其运行速度快，网络本身也可以建模更强大的先验。网络结构如下所示:
在具体的网络上，这里采取了四个策略：
1.使用空洞卷积扩大感受野
2.使用BN和残差学习加速学习
3.使用小的size sample减少边缘效应，这里发现越小的size，这种效应会越小。
4.针对的噪声是一定范围内的噪声，相互之间间隔比较小，而不是特定的学习某种噪声水平的模型。