webrtc-ns(音频降噪)(单独抽取webrtc中的ns模块，编译成so库移植android平台使用) 代码直接运行即可体验

内含所处理的原图，.mat格式的二进制图像原件，两个程序可直接运行

一种基于Hilbert_Huang变换的语音去噪方法一种基于Hilbert_Huang变换的语音去噪方法

完整代码，可直接运行

去噪声代码matlab 帕楚纳特 PATCHUNET：一种完全无监督且高度通用的深度学习方法，用于随机噪声抑制，地球物理勘探，2020年。 我们开发了一种深度学习算法（PATCHUNET），以抑制随机噪声并保留相干地震信号。 输入数据分为几个补丁，每个补丁都经过编码以提取有意义的特征。 此后，对提取的特征进行解压缩以检索地震信号。 编码器和解码器部分之间使用跳过连接，使PATCHUNET可以提取高阶特征而不会丢失重要信息。 此外，辍学层用作正则化层。 丢失层保留了属于地震信号的最有意义的特征，并丢弃了其余的特征。 PATCHUNET是一种不受监督的方法，不需要有关干净信号的先验信息。 输入色块分为80％用于训练和20％用于测试。 但是，有趣的是发现PATCHUNET可以仅使用30％的输入色块进行训练，并具有有效的降噪性能。 我们基于先验深度图像的思想，开发了一种完全无监督的深度学习方法（PATCHUNET），以抑制随机噪声。 首先，利用修补技术将输入的噪声数据分为几个补丁，以进行训练和测试。 此后，对每个补丁进行编码以提取有意义的特征，从而使解码器部分可以检索纯净信号并消除随机噪声。

完整代码，可直接运行

完整代码，可直接运行

完整代码，可直接运行

总广义变异 [Bredies et al. 2010] 是 Total Variation 正则化器的扩展版本，可提供更自然的恢复图像。 为了加快其执行时间，在 FFT 域中求解其多变量方程。

深度计数自动编码器可对scRNA-seq数据进行消噪 深度计数自动编码器网络使用具有零膨胀负二项式（ZINB）损失功能的深度自动编码器，通过考虑计数结构，数据的过度分散的性质和稀疏性来对scRNA-seq数据进行去噪并消除丢失的影响。 有关更多详细信息，请参见我们的和。 安装 点子 对于count自动编码器和所需软件包的传统Python安装，请使用 $ pip install dca conda 安装计数自动编码器和所需软件包的另一种方法是使用 （最容易通过）。然后运行以下命令。 $ conda install -c bioconda dca 用法 您可以从命令行运行自动编码器： dca matrix.csv results 其中matrix.csv是CSV / TSV格式的原始计数矩阵，其基因位于行中，单元格位于列中。细胞和基因标签是强制性的。 结果 输出文件夹包含主输出文件（代表Z