图像去噪是计算机视觉领域的一大基础性问题,长久以来备受学者们关注。近年来,深度学习的迅速发展也为图像去噪拓展了新的研究方向,基于卷积神经网络的去噪方法相比传统先验方法取得了去噪指标上的大幅提升。然而目前常见的去噪网络模型在实用性方面仍面临诸多问题,例如:去噪网络模型只能针对特定噪声训练而无法同时应对多种类型的噪声;模型在剔除噪声的同时难以保留图像的细节特征;深层网络堆叠导致的模型运行消耗增加。本文从以上问题入手,结合噪声估计与核预测方法,对基于卷积神经网络的图像去噪算法进行了深入的研究。本论文的研究内容如下:1.针对去噪模型只能应对单一噪声的问题,提出了一种基于噪声估计的统一盲去噪方法。该方法分为噪声估计和去噪两大模块,前者用一个小型卷积神经网络估计出图像中的噪声类型与水平信息,再混合到原始噪声图像中,后者则采用了双路并行结构,由浅层预测支路提取出空域掩膜,赋予不同局部特征权值,再作用到主路的深层特征图上进行自适应调整。实验证明该方法成功解决了多噪声类型盲去噪任务,验证了噪声估计模块的有效性和准确性。相比于主流去噪方法,该方法在多类型去噪任务上保持了约0.1d B的客观去噪指标优势。2.针对去噪模型在剔除噪声时易抹除图像细节特征的问题,提出了一种基于多尺度特征融合的核预测去噪方法,该方法为每个像素点预测出专有卷积核,提高了模型的像素敏感度。为了适应单图像去噪任务有限的参考信息,模型融合了空洞卷积提供的多尺度特征,提高像素核准确性。通过复用特征提取通道,一张压缩特征图以少量的额外参数收集到更相关的邻域特征,用于执行逐像素滤波操作。实验验证了多尺度特征和压缩特征图策略的有效性,得益于像素敏感特性,该方法表现出了比主流算法更优的客观去噪指标和优秀的图像细节处理能力。3.针对深层去噪模型实际运行消耗过大而难以实用的问题,提出了一种基于核预测与特征传递的编解码网络去噪方法。该方法采用编解码骨干和上下文特征块提取多尺度特征,并对各模块结构进行了效率优化。核预测方法作为一种特征调整模块,连接起编码端与解码端的额外信息通路,即多尺度滤波核张量由编码特征图预测,再作用到对应解码层特征图上进行细节校正。特征传递将粗粒度滤波核张量上采样到细粒度张量处融合,帮助预测出更准确的逐像素滤波核。实验表明,该方法大幅降低了模型运行内存和计算量消耗,与第2点研究内容相比,该方法进一步提升了约0.1d B客观去噪指标且表现出更强的图像细节重建能力。综上所述,本文工作结合噪声估计和核预测方法,在多噪声类型盲去噪、算法细节敏感度增强和运行效率优化三方面提出了创新方法,有效克服了现有去噪模型中存在的实用性问题。在多个数据集上的实验表明,本文方法达到了去噪领域先进水平,且具有较好的图像细节重建和真实场景泛化能力。