这篇文章是TIP2018年的工作，作者是张凯等人，DnCNN的后续作品，本文的主要思想是将噪声水平reshape成image的大小和noisy image同时投入到网络进行训练，另外就是输入noisy image经过downsample分割成4部分，尺寸变成原始大小的1/4，channel变成原来的4倍，提升了训练速度，使得网络更加灵活。
网络结构如下：和DnCNN几乎一模一样，只是输入时进行了一个下采样，灰度图像采用15层的网络结构，patch设置为64，彩色图像采用12层的网络结构，patch设置为96。
网络不同于DnCNN的一个特点是直接生成clean image，而不是noise model，因为作者实验得到是否用noise model经过finetune之后的结果都相当，特别是当网络深度小于20时，两者无异，因此为了简单处理，放弃了noise model。
噪声水平图当作输入投到网络中，这样根据调整噪声水平即可灵活的进行去噪，em我感觉是非常鸡肋的操作，加了这个你在进行训练时还是需要不同的噪声水平下分别训练，测试时还是需要输入噪声水平值，不鲁棒。
网络主打的是简单灵活，所以在时间上有很大的优势，下图是单幅图像去噪所需时间对比，可以看出和DnCNN相比时间减少了一部以上。
去噪结果的对比，相比较DnCNN不逊色，而时间又减少了
