DCDicL用于图像去噪 郑鸿毅*，永鸿伟*，张磊，《 CVPR 2021年的“深度卷积字典学习以进行图像去噪”》（*平等贡献） DCDicL的实现基于出色的图像恢复工具箱 。 要求 PyTorch 1.6+ 漂亮表 tqdm 测验 步骤1 从下载预训练的模型。 解压缩下载的文件并将文件夹放入./release/denoising 第2步 配置options/test_denoising.json 。 重要设置： 任务：任务名称。 路径/根：保存任务的路径 path / pretrained_netG：包含预训练模型的文件夹的路径。 data / n_channels：1表示灰度，3表示颜色。 测试/可视化：对于保存嘈杂的输入/预测字典为true。 第三步 python test_dcdicl.py 训练 培训代码即将发布。

使用MATLAB做卷积字典学习当处理高维信号时，解决字典学习问题在计算上变得不可行，并且学习模型遭受维数问题的困扰。传统上，这个问题是通过训练从X中提取的块的局部模型并独立处理它们来避免的。这种方法由于其简单性和高性能而获得了广泛的普及和成功[10,21,30,8,19]。一种新的方法是卷积稀疏编码(CSC)模型

这是基于CNN卷积的字典学习源码。下载解压后直接运行。