图像去噪是计算机视觉领域中的基本问题,其目的是为了排除信号中的噪声干扰。传统去噪方法一般是非凸的模型,这意味着使用者需要手动设置参数。在测试部分,采用复杂优化策略提升测试效果,计算复杂度大。生成的降噪图像视觉效果差,细节恢复不理想。本文针对传统去噪方法的缺点,提出了一种高性能的单张彩色图像去噪算法,主要研究内容如下:本文将图像超分辨的前沿技术用于图像去噪研究,为提高传统图像去噪算法的去噪性能与图像细节纹理复原能力,本文提出一种增强型深度残差网络结合生成式对抗网络的图像去噪优化方案,设计针对图像去噪的感知损失函数。所提出的去噪优化方案总体分为两个阶段,第一阶段为增强型深度残差网络去噪算法设计。对图像超分辨中使用的增强型深度残差网络进行改进并用于解决图像去噪问题,该算法特点是去除传统残差块中的批量标准化层,可有效减少计算量,提高效率。使用跳跃连接层将输入信息直接传入输出,使主体网络学习输入输出之间的残差,在网络较深时,可降低网络模型训练难度,使神经网络充分学习加噪图像与原图之间的非线性映射从而提升去噪算法性能。第二阶段为图像去噪算法优化设计,本文针对第一阶段初步去噪后图像的高频细节丢失问题,提出一种结合生成式对抗网络的去噪图像细节恢复方案。以第一阶段的去噪网络作为生成器,利用对抗损失与内容损失函数的加权和构成感知损失函数。通过生成器与判别器之间的对抗训练,迭代更新去噪网络参数,得到优化后的去噪算法模型。本文设计的图像去噪方案能够成功的将加噪单张彩色图像还原为清晰高质量的降噪图像,在开源数据集中进行测试,自对比的实验结果验证了本文所提出的增强型深度残差网络结构的合理性,与其他去噪算法进行对比,测试结果表明比其他算法的峰值信噪比平均提高4.7%,结构相似性平均提高4.3%。使用生成式对抗网络对去噪图像进行优化,并采用多种损失函数进行对比实验,验证了优化后算法对去噪图像细节纹理具有较好的恢复能力。