在图像采集和传输的过程中,会产生图像噪声。采集图像时,设备的光电转换会引入噪声;图像传输时,信道噪声也会对图像产生干扰,因此图像质量往往会下降。图像中的噪声会使图像所含信息具有不确定性,使人不能很好地对图像进行识别与理解。在计算机视觉领域中,对图像进行识别与分割等操作时,图像噪声会使处理结果产生严重偏差。在军事领域与医学领域中,这种偏差导致的错误会带来巨大的损失。因此,图像去噪具有重要的研究意义,是计算机视觉中的热门课题。本文采用深度学习进行图像去噪。鉴于生成对抗网络在图像超分辨,图像去模糊,图像场景转换的任务中均取得了较好的效果。充分证明了生成对抗网络对图像进行像素级操作时,会较好地保留图像中的纹理细节。因此本文采用生成对抗的思想进行图像去噪。本文搭建一种新的生成网络作为去噪网络,为了使去噪图像保存原图中更多的纹理细节,通过神经网络将含噪图像变换到特征域进行处理。在网络中采用不同大小的卷积核提取图像多尺度特征,将提取的多尺度特征进行去噪与筛选,再融合为去噪图像。通过对图像库中的大量样本进行学习,网络可以提取图像的细节特征,利用多尺度特征中所含的丰富信息量,将图像中的纹理细节保留下来。在网络中,采用多个跨层连接结构,在保留图像细节纹理的同时,加快网络的收敛速度。采用判别网络与生成网络进行对抗训练。训练生成网络用于生成去噪图像;训练判别网络,使其可以辨别无噪图像与生成的去噪图像间的差别,并将差别反馈到生成网络中,促进生成网络生成与无噪图像更加相似的去噪结果,达到保留更多纹理细节的目的。在对抗训练中,本文提出一个新的损失函数用来指导生成网络的训练,通过加入损失项用来表示无噪图像与去噪图像数据分布间的距离,使生成网络优化结果更接近于真实图像。为了保证判别网络的正确性,本文需要采用固定噪声强度的含噪图像来训练生成对抗网络。对于含有不同强度噪声的图像,要采用不同的网络参数对其进行去噪。为了自适应选择网络参数,本文搭建卷积神经网络对噪声强度进行估计,根据估计结果加载对应的网络参数,从而完成图像去噪工作。将本文方法与其它图像去噪方法进行对比,将定量的客观评价指标以及定性的主观视觉评价作为评定标准,证明了本文方法的优越性。