这也是2018CVPR一篇做denoise的论文。这篇论文的侧重点是盲去噪，即事先不知道噪声的概率模型，实现对图像中的噪声消除。这篇论文通过GAN对噪声分布进行建模，获得建立的模型生成噪声样本，与干净的图像构成训练数据集，训练网络实现盲去噪。
目前的去噪方法都是基于已有的信息，但是这些方法很难达到SOTA。首先，这些方法都是基于人类先验知识的，所以很难获得图像的所有特征。其次，这些输入的信息大多数只使用了图像内部的信息，没有使用任何外部的信息，所以还有很大的提升空间。同时，基于CNN的方法也因为没有办法获得图像里噪声的信息，而使得去噪变得困难。因此，论文的要点是，通过GAN去从带噪图片里获得噪声分布信息，然后将获得的噪声patch添加到干净的图片上获得训练数据对，使用去噪的方法进行去噪。文章整体框架如下所示；
Noise Modeling
首先假设需要处理的图像都含有同一类型的未知的均值为0的噪声。然后，进行噪声建模。为了减少原始背景的影响，这里设置了一组噪声块，即V，这样，噪声分布成为GAN学习的主要目标，这可能使GAN模型更加准确。由于噪声是0均值的，所以这里的噪声分布可以通过减去块均值实现，块的定义为图像上内部差异非常小的区域。这里对噪声块具体的定义给出了一些数学公式，这里具体不表。
然后是利用GAN进行噪声建模，这里使用的GAN是WGAN-GP。具体不表，利用GAN生成噪声的示意图如下所示：
Denoising with Deep CNN
这里利用刚才GAN生成的噪声分布数据集，然后将干净的图片进行分块，将生成的噪声块随机的添加到干净的图像块上，从而获得训练的数据对。数据集是在去噪网络训练的过程中生成的，在每次迭代中，分块的干净图片和噪声块都在发生变化。然后构成一个新的配对数据集。结构如下所示：
网络结构类似于Dncnn,CNN被视为预测残留图像的残差单元，即输入噪声图像和潜在干净图像之间的差异。