GAN实现图像的去噪（Pytorch框架实现）

目录

1.产生背景

2.数据收集

3.整体设计思路

（1）生成模型 

（2）判别模型

4.模型去噪效果

（1）demo演示效果

5.github代码下载

6.模型下载

---

GAN原理及Pytorch框架实现GAN（比较容易理解）

Pytorch框架实现DCGAN（比较容易理解）

CycleGAN的基本原理以及Pytorch框架实现

WGAN基本原理及Pytorch实现WGAN

Pytorch框架实现WGAN-GP

1.产生背景

        不管是我们的生活中还是工业界，我们在获取图像时，都希望得到清晰的一幅图像，这样能更清楚的看清图像中物体和背景，并且对于工业界来说，这也是非常重要的。比如我们的微信拍摄系统，有时候由于天气或者其他原因，导致拍摄的图像比较模糊或者带有噪声，那么图像很可能看不清楚，对于了解地理，建筑或者者自然灾害等情况很不利，为了去除图像中的噪声，这一篇文章主要使用生成对抗网络（GAN）来实现图像的去噪。

2.数据收集

提示：这一篇文章主要是去除图像中的高斯噪声，其实图像中的噪声种类也非常的多。将收集清晰图像，利用程序给图像添加高斯噪声或者椒盐噪声，得到具有噪声的图像，同时也保留原清晰的图像。

数据集下载：

链接：https://pan.baidu.com/s/1jCFcLb9dVoQJWDOJgspr0A 
提取码：69sc

说明：

• 下载的数据集里面包含清晰的图像和带有噪声的图像
  • 数据集目录：data
    • 原始清晰图像目录：faces
      • train
      • val
    • 添加高斯噪声的图像目录：GFaces
      • train
      • val

提示：关于添加高斯噪声的程序将会在下面的具体实现中给出。

3.整体设计思路

（1）生成模型 

采用的是类似于U-Net网络类型

 

（2）判别模型

4.模型去噪效果

 

（1）demo演示效果

提示：这里编写了一个显示生成器显示图片的程序（mainWindow.py），加载之前训练之后保存的生成器模型，之后可使用该模型进行生成去噪之后的图片，如下：

（1）运行mainWindow.py 初始界面如下

 

5.github代码下载

https://github.com/KeepTryingTo/Python-

6.模型下载

链接：https://pan.baidu.com/s/1KF-WLxhqCUIbUAQzq5sIag 
提取码：xiit