轉載請註明出處，謝謝。
論文：Image Denoising Using Very Deep Fully Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
作者： Xiao-Jiao Mao, Chunhua Shen, Yu-Bin Yang
四、實驗部分
針對現有的幾種先進的去噪方法，對模型的去噪性能進行了評價。
進行去噪實驗的兩個數據集：
1.14個通用基準圖像，如下：
2.BSD數據集
作爲文獻中常用的實驗背景，在圖像中加入了均值爲0和標準差爲
論文對σ爲10、30、50和70的噪聲級進行了測試，並將其他論文中的方法BM3D、NCSR、EPLL、PCLR、PDPD和WMMN與論文中提出的RED-Net進行了比較。對於其他論文中的方法，使用它們的作者發佈的源代碼，並使用它們的默認參數對圖像進行測試。計算了峯值信噪比(PSNR)和結構相似度(SSIM)指標,並提供了視覺質量指標。
論文實現了網絡的三個版本：
RED10：5個卷積層和5個反捲積層，不帶shortcuts(指沒有跳躍連接，網絡不深，沒有必要使用)。
RED20：10個卷積層和10個反捲積層，帶shortcuts,每隔兩層卷基層反捲積層對帶一個跳躍連接(step size 2 of shortcuts）。
RED30：15個卷積層和15個反捲積層，帶shortcuts,每隔兩層卷基層反捲積層對帶一個跳躍連接（step size 2 of shortcuts）。
4.1 跳躍連接分析（帶有跳躍連接skip connections的網絡成爲帶有shortcuts的網絡）
1. 有無shortcuts研究
訓練集上，網絡變得比較深且沒有跳躍連接時，損失會增加；網絡變得比較深但是有跳躍連接時，損失會減小。
驗證集上，沒有跳躍連接的深度網絡得到了較低的PSNR，甚至觀察到了30層網絡的過擬合；但是當網絡越深時，使用快捷鍵可以獲得更高的PSNR和更好的泛化能力。
2. shortcuts的步長研究
正如我們所看到的，較小步長的shortcuts比較大的shortcuts具有更好的性能(訓練損失更小，PSNR值更大)。
其原因可能是由於較小步長的shortcus使得梯度更容易反傳到底層，從而更好地解決了梯度消失的問題，同時，小步長的shortcuts本質上是傳遞了更直接的信息。
4.2 去噪結果和分析
首先，10層卷積和反捲積網絡已經取得了比現有的先進方法更好的效果，這證明了卷積和反捲積相結合的去噪效果很好，即使沒有跳過連接。（網絡加深，並且使用shortcuts的網絡效果更好）
可以從表中觀察到，噪聲越複雜，論文的模型比其他方法得到的改進就越多，在SSIM的評估上也可以進行類似的觀察。
詳細情況：
