最近做公司的项目接触到了这些，因此了解一下
U_net
U-net，顾名思义，是一个U型的网络,最初用来做图像分割。是一种编码器-解码器结构。编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度。编码器和解码器之间通常存在快捷连接，因此能帮助解码器更好地修复目标的细节。U-Net 是这种方法中最常用的结构，结构如下图所示：
左侧为一个下采样过程，分4组卷积操作（蓝色箭头）进行。每组卷积操作后进行一次maxpool操作（红色箭头），将图片进一步缩小为原来的1/2。通过4组操作将572×572×1大小的输入图片，计算为32×32×1024 大小。
右侧的上采样过程。上采样过程使用的是4组反卷积（浅绿色箭头），每次上采样将图片扩展为原来的2 倍， 然后将对应层的图片（特征图）进行剪裁和复制，然后concat到上卷积的结果上（灰色箭头）。
上采样过程结束后，得到388×388×64 大小的图，最后用一个1×1种颜色。
Dncnn
该网络用来进行去噪，主要思路为：
（1）一个端到端的可训练的CNN网络，采用残差学习策略，在网络的隐层隐式地移除干净图片（clean image）。即输入为带噪的观测图片（noisy image），输出为移除了干净图片的残差（噪声）图片（residual image）。这样做的动机是，用残差学习刻画恒等映射或近似的恒等映射，效果要比直接学习干净图片要相对好，以输出与噪声的l2范数为损失函数来训练网络；
（2）网络中利用了BN层（Batch Normalization），实验表明BN层与残差学习共同使用可以提高模型的性能，DnCNN在不同噪声水平上训练，得到的结果要优于现在的最优结果。
网络的结构如下所示：
该网络的思路可以被用来做图像去块，图像超分辨等问题。
参考：
1.https://blog.csdn.net/gbyy42299/article/details/78954282
2.https://blog.csdn.net/qq_18293213/article/details/72423592
3.https://blog.csdn.net/qq_27022241/article/details
4.https://blog.csdn.net/edogawachia/article/details/78643190