非局部神经网络（Non-Local）

首先介绍非局部均值的概念

非局部均值（NL-means）作为一项去噪技术，充分利用了图像中的冗余信息，在去噪的同时能最大程度地保持图像的细节特征

基本思想是：当前像素的估计值，由图像中与它具有相似邻域结构的像素加权平均得到

理论上，该算法需要在整个图像范围内判断像素间的相似度，也就是说，每处理一个像素点时，都要计算它与图像中所有像素点间的相似度。

但是考虑到效率问题，在实现的时候，我们会设定两个固定大小的窗口：搜索窗口和邻域窗口

邻域窗口在搜索窗口中滑动，根据邻域间的相似性确定像素的权值。

下图是NL-means算法执行过程

大窗口是以目标像素 x 为中心的搜索窗口

两个灰色小窗口分别是以 x 、 y 为中心的邻域窗口

其中以 y 为中心的邻域窗口在搜索窗口中滑动，通过计算两个邻域窗口间的相似程度，为 y 赋以权值 w（x，y）

（但是该算法的最大缺陷就是计算复杂度太高，程序非常耗时，导致该算法不够实用）

受到非局部均值的启发，将非局部操作定义为：

                        ​​​​​​​        ​​​​​​​        ​​​​​​​       &n