3. 经典去噪网络架构：从DnCNN到U-Net，再到Transformer

去噪网络的设计，说白了就是一场“信息保真”与“噪声抑制”的博弈。我这些年调参下来，发现一个规律：没有最好的架构，只有最合适的场景。从早期的DnCNN到后来的U-Net，再到如今大火的Transformer，每一步演进都解决了特定的痛点。

今天咱们就捋一捋这三类核心架构的设计思路。我会结合自己踩过的坑，帮你理解它们为什么这么设计，以及什么时候该选谁。

3.1 DnCNN：把“残差”玩明白的奠基者

DnCNN是2016年提出的，当时深度学习去噪刚起步。它的核心思路其实很简单：不直接学干净图像，而是学噪声。

你想想看，一张带噪图像 y = x + n，如果我们让网络直接输出 x，那网络既要学图像结构，又要学噪声分布，任务太杂了。但如果我们让网络输出 n，那它只需要专注一件事——把噪声揪出来。这就是残差学习的精髓。

我记得第一次用DnCNN做实验时，发现它对于高斯白噪声效果出奇的好。但换到真实噪声（比如手机拍照的噪点）就有点力不从心了。为什么？因为真实噪声不是独立同分布的，它跟信号强度有关。DnCNN的假设太理想了。

3.2 U-Net：编码-解码的对称之美

U-Net最早是用于医学图像分割的，但后来发现它在去噪任务上也异常好用。它的设计哲学是：先压缩再还原，同时保留细节。

编码器部分，通过下采样逐步提取高层语义特征。解码器部分，通过上采样恢复空间分辨率。最关键的是跳跃连接——把编码器的浅层特征直接拼到解码器的对应层。这样一来，网络既能利用全局上下文，又不会丢失边缘、纹理等细节。

我曾经在项目里处理过一张星空照片，DnCNN把星星都抹糊了。换成U-Net之后，星星的轮廓保留得非常好。这就是跳跃连接的功劳——它让梯度可以直接回传到浅层，避免了细节丢失。

U-Net的另一个变体是残差U-Net，在跳跃连接里也加入了残差块。我个人习惯在噪声强度较高时用这个版本，收敛更快。

3.3 Transformer：自注意力带来的全局视野

Transformer原本是NLP领域的明星，后来被ViT（Vision Transformer）带到了图像领域。去噪任务里，Transformer的优势在于自注意力机制——它能让每个像素都看到整张图的信息。

你想想看，CNN的卷积核只能看到局部区域（比如3×3或5×5），要扩大感受野就得堆层数。而Transformer的注意力机制，一步到位，直接建立全局依赖。这对于处理大面积的均匀噪声（比如雾状噪点）特别有效。

但Transformer也有它的毛病：计算量太大。一张256×256的图，直接做全局注意力，复杂度是O(n²)，n是像素数。这谁受得了？

我记得去年做一个视频去噪项目，用了纯Transformer模型，结果一张1080p的图要跑好几秒。后来换成CNN+Transformer的混合结构，速度提升了10倍，效果还差不多。所以别迷信“纯”Transformer，混合架构往往更实用。

3.4 三种架构的对比与选择

说了这么多，到底该选哪个？我整理了一张对比表，方便你快速决策：

架构	核心优势	主要局限	推荐场景
DnCNN	简单、轻量、训练快	对真实噪声泛化差	合成噪声、快速原型验证
U-Net	细节保留好、结构灵活	参数量较大	真实噪声、医学/天文图像
Transformer	全局建模、处理大面积噪声	计算量大、数据需求高	高分辨率、复杂噪声模式

我个人习惯是：先小后大，先简后繁。先用DnCNN跑个基线，看看效果。如果细节丢失严重，换U-Net。如果噪声有长程相关性（比如条纹噪声），再考虑Transformer。

3.5 架构演进路线图

下面这张图总结了从DnCNN到Transformer的演进逻辑，以及每个阶段解决的核心问题：

3.6 实战建议：如何选择你的第一个架构

如果你是刚入门，我建议从U-Net开始。为什么？

• 代码成熟：网上有大量现成的实现，改改就能用
• 效果稳定：在大多数去噪任务上，U-Net都能给出不错的结果
• 容易调试：结构直观，哪里出问题一眼就能看出来

等你把U-Net调明白了，再去看DnCNN和Transformer，你会发现很多设计思想是相通的。比如DnCNN的残差学习，在U-Net里也能用；Transformer的注意力机制，也可以作为U-Net的“插件”来增强性能。