有幾種經典的深度學習去噪方法。提出了一種名為ResNet(Deep Residual Network)的殘差學習框架,它在不造成訓練困難的情況下實現了網絡深度的增加。與普通網絡相比,ResNet 在每兩層之間添加了一個快捷連接,形成殘差學習。殘差學習解決了深度網絡的退化問題,使我們能夠訓練更深的網絡。
基于ResNet的思想提出了用于圖像去噪任務的DnCNN(去噪卷積神經網絡)。不同的是,DnCNN并沒有像ResNet那樣每兩層添加一個shortcut連接,而是直接將網絡的輸出變成殘差圖像。DnCNN 學習噪聲圖像和干凈圖像之間的圖像殘差。能夠快速收斂,在較深的網絡條件下具有優異的性能。開發了U-net架構,它由收縮路徑和擴展路徑組成。
采用通用的編碼器-解碼器結構,并在原有結構的基礎上增加了跳躍連接。它可以有效保留原始圖像中的邊緣細節信息,并通過上采樣和下采樣防止過多的邊緣信息丟失。通過設置dropout層,即在訓練過程中隨機丟棄一些單元,解決了深度學習中難以處理的過擬合問題。提出了一種名為 DDAE(深度去噪自動編碼器)的新方法來衰減地震隨機噪聲。DDAE 將輸入地震數據編碼為多個抽象級別,然后對其進行解碼以重建無噪聲地震信號。