github链接

1.感受野计算:

:本层感受野;

:上层感受野;

:第i层卷积或池化的步长

k:本层卷积核大小

2.空洞卷积卷积核计算:K=k+(k-1)(r-1)，k为原始卷积核大小，r为空洞卷积参数空洞率，带入上式即可计算空洞卷积感受野；

3.针对noise2nosie进行改造:

(1).加深网络，原始结构感受野只有192,而要去除的水印尺度比较大，将原始结构后两层网络改为空洞卷积，dilated rate 设置为6，将感受野放大为672,更加适合640*640尺度推理，这样更能看清全局噪声，同时原图信息丢失不是很严重;
(2).修改loss函数，随着epoch增加放大loss,刻意去优化困难样本。

class L0Loss(nn.Module):"""High dynamic range loss."""def __init__(self, eps=1e-8, nb_epochs=10):"""Initializes loss with numerical stability epsilon."""super(L0Loss, self).__init__()self._eps = epsself.nb_epochs =  nb_epochsdef forward(self, denoised, target, epoch):"""Computes loss by unpacking render buffer."""# gamma = 2.0 * (self.nb_epochs - epoch) / self.nb_epochsgamma = 2.0 * (epoch+1) / self.nb_epochsloss = ((torch.abs(denoised - target) + self._eps) ** gamma)return torch.mean(loss.view(-1))

效果图：

　　　

缺点:

１．由于loss函数采用的是类似L2loss的，是对所有像素进行平均优化，虽然去除了水印，但同时也将图像变得平滑。

２．采用这种loss的话就是对单像素进行操作，没有考虑空间信息。

 

感受野计算过程: