【图像去噪专题】NTIRE 2025：The Tenth NTIRE2025 Image Denoising Challenge Report

本文将对NITRE 2025 的 Image Denoising Challenge Report做个解读，部分参赛团队的技术文章已发表，有兴趣的读者可以去详阅。
参考资料如下：
[1]. [报告地址]
[2]. [NITRE官网地址]

---

一、引言

图像去噪是low-level视觉中的基础问题，其目标是从退化的输入中重建无噪声图像。在图像采集和处理过程中，可能引入多种噪声类型，如高斯噪声、泊松噪声以及JPEG压缩伪影。这些噪声源使得去噪成为极具挑战性的任务。鉴于其在计算摄影、医学成像和遥感等领域的关键应用，持续的研究努力对于开发更高效、更具通用性的去噪解决方案至关重要。为推动该领域进展，本挑战赛旨在促进去噪方法的发展，并通过标准化基准公平评估性能，创造业内专业人士的交流和合作。

二、挑战概况

竞赛标准

目标： 从噪声水平σ=50的加性高斯白噪声（AWGN）退化图像中恢复干净图像。

评价标准： 以PSNR作为主要评价指标，SSIM为辅，不考虑模型大小和效率。

非常直接，方法不限，参数量计算量不限，运行效率不限，只管涨点。

数据集：

• DIV2K：共1000张2K分辨率RGB图，训练验证测试比为8:1:1
• LSDIR：共86991张高质量高分辨图，验证集1000张，测试集1000张，剩余可用于训练。

训练验证阶段： 除了官方训练集，可以使用外部训练集，例如Flickr2K。并提供100张DIV2K验证数据对。但禁止用验证集参与训练。退化噪声强度统一，即σ=50。

测试阶段： 代码提交至CodaLab评估服务器，用100张DVI2K和100张LSDIR作为测试数据。GT数据均不会公开。

竞赛结果

本挑战赛共吸引了290支注册团队，最终20支队伍提交了有效结果，具体指标排名如下。

冠军团队SRC-B提出了一种结合Transformer和卷积网络的混合架构，在200张测试图像上实现了31.20 dB的PSNR和0.8884的SSIM，显著优于2023年冠军方法1.24 dB。今年前六名小组的成绩均超过了上届的同名次小组，为图像去噪树立了新的标杆。

主要idea和架构

参赛团队所用的策略和框架主要包括以下几点

• 混合架构表现良好

  前三名均采用了transformer+卷积的混合架构，兼容全局和局部特征提取能力。

• 数据很重要

  冠军团队选择数据集中的高质量图像进行训练，而不是全量数据，来缓解数据分布不平衡的影响。

• 魔鬼藏在细节中

  部分细节有助于改善模型，例如小波变换损失约束，渐进式学习策略，分块推理策略。的

• 基于Mamba的新设计

  第二名SNUCV小组利用MambaIRv2设计了混合架构，取得了不错的效果。

• 自集成和模型集成

  高重叠的多patch混合和多模型结果混合均能提升最终结果。

三、方案细节

1. SRC-B

题目：Dynamic detail-enhanced image denoising frame work

框架：transformer局部恢复能力弱？CNN全局视野不足？那就联合起来！作者combine了Restormer和NAFnet，用前者提取全局特征，用后者增强细节信息，最后加个动态融合block，来平衡去噪能力和细节保留能力。

数据：分为三部分

1. 自配200W数据集；
2. 官方全量数据集；
3. 从1和2里精选出的2800张高质量数据集。（分辨率大，IQ指标高，语义多样性）

训练策略：分三个阶段

1. 200W数据集预训练，打基础；
2. 官方全量数据微调细节增强模块；
3. 高质量数据精调整个模型；

损失函数除了L1、L2，引入了SWT小波损失（有助于跳出局部最优）。渐进式训练，patch size 从256到768。

双引擎降噪王！200W数据打基础，细节微操定胜负。
用Transformer全局视野+CNN细节修复的“双引擎”，配合小波约束和挑图策略，实现降噪能力突破。这套组合拳有想法，也合理。

2. SNUCV

题目：Deep ensemble for Image denoising

框架：MamabIRv2+Xformer+Restormer，三个模型并行输出去噪结果和特征图，然后与原图合并，送入基于Xformer构建的集成模型（功能类似第一名里的融合block），输出最终去噪图。

训练策略：先训练三巨头的去噪能力，然后冻结参数，训练集成模块。其中Xformer、Restormer和集成模型采用渐进式策略，提升鲁棒性和效率。去噪模块用L1损失，集成模型用L1+MSE+高频损失。

推理策略：采用了自集成方式，分patch推理然后融合，设置了多个patch-overlap size，平均后效果有提升。

三巨头联合！MambaIRv2、Xformer、Restormer去噪天团。整体思路与第一名类似，有点可惜，可能就输在数据策略上。

3. BuptMM (DDU)

题目： DDU——Image Denoising Unit using transformer and morphology method

框架：Restormer+HAT，双模型并行推理，根据两个结果做边缘检测，计算边缘差异，根据边缘差异信息进行双结果融合，差异部分取HAT结果，其他部分取两者平均，得到最终去噪图。

训练策略：分别训练Restormer和HAT，同样采用渐进式训练。

推理策略：用TLC技术提升Restormer性能。

双核去噪！Restormer+HAT强强联合。
不过既然不考虑计算复杂度，为何不用网络来融合？有点像第二名的简化版本。

4. HMiDenoise

题目： Hybrid Denosing Method Based on HAT

框架：提出HAT改进结构DB-HAT。

训练策略：渐进式训练，损失函数采用L2，微调阶段L2+SSIM

渐进式特训，超分模型也能打。。。额，HAT真好使？

5. Pixel Purifiers

题目： Denoiser using Restormer and Hard Dataset Mining

框架：Restormer

数据集：调整数据比，DIV2K:LSDIR为12:88时，模型泛化效果最好。

训练策略：利用了硬数据挖掘策略，即在基础训练模型上，选择损失值超过预定义阈值的训练块进行迁移学习，学习率降至初始的1/100。

推理策略：采用几何自集成技术，通过旋转+翻转，然后多个推理结果对齐后叠加取平均。

Restormer YYDS！大力出奇迹，用“难搞样本”特训模型，用自集成增强推理效果。

6. Alwaysu

题目： Bias-Tuning Enables Efficient Image Denoising

框架：Bias-version Restormer，在预训练Restormer新增可学习的偏差参数。

数据集：预训练阶段，800张DIV2K，2650张Flickr2K，400张BSD500，4744张WED。微调阶段，800张DIV2K，1000张LSDIR。

训练策略：PSNR损失函数，冻结预训练参数做微调。

推理阶段：自集成+分块拼接。

Restormer YYDS！大伙省点力吧，噪声模式强度固定，微调不香么？高效省力。

7. Tcler Denoising

题目：Tcler Denoising

框架：改进的PromptIR与改进的MambaIRv2融合。

数据集：常规数据增强，外加USM锐化。

训练策略：渐进式训练，采用了Charbonnier损失和梯度加权的L1损失，平衡像素级精度和边缘保持，损失权重分别为0.8和0.2。

推理策略：自集成。

同样是专门针对“σ=50”的定制方案，PromptIR&MambaIRv2联合去噪，精准打击！

8. cipher vision (Pureformer)

题目： Pureformer: Transformer-Based Image Denoising

框架：提出了Pureformer，多级编码器+特征增强块+多级解码器，transformer块借鉴了Restormer。

训练策略：15个epochs做线性预热，然后用余弦退火。常规数据增强。L1损失函数。

推理策略：几何自集成

自己搭个Transformer架构，但是Restormer YYDS！

9. Sky-D (Two-Stage Framework)

题目：A Two-Stage Denoising Framework with Generalized Denoising Score Matching Pretraining and Supervised Fine-tuning

框架：团队自研的时间条件扩散模型架构（已发文章）。

训练策略：基于广义去噪分数匹配（GDSM）策略做自监督训练，为后续有监督训练提供高质量初始化参数，然后进行有监督微调。GDSM预训练加速了微调过程的收敛和模型泛化能力。渐进式学习；

损失函数：自监督阶段用GDSM损失，监督微调阶段用一致性损失

J ′ ( θ ) = E X t d a t a , τ , X t [ ∥ γ ′ ( τ , σ t t a r g e t )   h θ ( X t , t ) + δ ′ ( τ , σ t t a r g e t )   X t − X t d a t a ∥ 2 ] J'(\theta) = \mathbb{E}_{\mathbf{X}_{t_{\mathrm{data}}}, \tau, \mathbf{X}_t} \left[ \left\lVert \gamma'(\tau, \sigma_{t_{\mathrm{target}}}) \, \mathbf{h}_\theta(\mathbf{X}_t, t) + \delta'(\tau, \sigma_{t_{\mathrm{target}}}) \, \mathbf{X}_t - \mathbf{X}_{t_{\mathrm{data}}} \right\rVert^2 \right] J