由于底层噪声分布的不确定性，现实世界中的盲降噪带来了独特的图像恢复挑战。已经证明，在合成噪声模型上训练的普遍判别网络不能很好地推广到现实世界中的噪点图像。尽管策划现实世界中的嘈杂图像和改善地面真相估计程序仍然是关注的重点，但潜在的研究方向是探索对广泛使用的卷积神经元模型的扩展，从而以更少的数据和更低的网络复杂度实现更好的概括，而不仅仅是简单使用更深的卷积神经网络（CNN）。运作神经网络（ONN）及其最新变体，自组织ONN（Self-ONN），提出将增强的非线性嵌入神经元模型，并在各种回归任务中表现出优于CNN的性能。但是，所有这些比较都是针对紧凑型网络进行的，部署操作层作为卷积层在当代深度架构中的替代品的功效仍有待观察。在这项工作中，我们首次采用了深度的Self-ONN来解决现实世界中的盲像降噪问题。针对最新的深层CNN网络DnCNN，对多个指标和四个高分辨率真实世界的噪点图像数据集进行了广泛的定量和定性评估，结果表明，深层的Self-ONN始终可实现出色的结果，性能提升高达PSNR为1.76dB。此外，



"点击查看英文标题和摘要"