本文提出了一种新的深度网络图像去噪方法。 与现有的基于深度网络的去噪方法不同，我们将新的ACP项引入到优化问题中，然后利用优化过程，通过展开策略设计深度网络。 我们的ACP驱动去噪网络结合了经典去噪方法的一些有价值的成果，并在一定程度上提高了其可解释性。

官方代码：

1 介绍

### Contents

Dataset|包含三个文件夹(train, test和Benchmark_test)，您可以将train数据集放在train中，将测试数据集放在test中，将SIDD/DnD基准放在Benchmark_test中
Deam_models| 当您想测试|时，预先训练的模型
real| 一些关于真实图像去噪的python文件
statistics| 训练时记录结果

### Training on AWGN
要重新训练我们的网络，请将您自己的训练数据集放在'./Dataset/train '，然后运行' train.py’
### Training on real-world noise
重新训练我们的网络以去除真实世界的噪声: 将训练数据集下载到`./Dataset/train`并用'./Dataset/train/gen_dataset_real.py'将它们打包成h5py格式。
你可以从https://www.eecs.yorku.ca/~kamel/sidd/dataset.php

和http://ani.stat.fsu.edu/~abarbu/Renoir.html获取数据集
将训练和测试路径设置为您自己的路径，并运行' train.py '。更多详细信息，请参考https://github.com/JimmyChame/SADNet
### Testing on AWGN
要测试你自己的图像，把你的数据集放在' Dataset/test/your_test_name '中，然后运行' Synthetic_test.py '
### Testing on real-world noise
为了测试真实世界的噪声数据集:将测试数据集下载到'./Dataset/Benchmark_test '并运行
'Benchmark_test.py '
您可以从 https://www.eecs.yorku.ca/~kamel/sidd/benchmark.php and https://noise.visinf.tu-darmstadt.de/benchmark/ 获得数据集.

----------------------------------------------------------------------------------

先运行train.py

D:\ProgramData\Anaconda3\envs\python36\python.exe "D:/Papers to read/2022.07/Adaptive Consistency Prior based Deep Network for Image_Denoising/DeamNet-main/DeamNet-main/train.py"
Traceback (most recent call last):
  File "D:/Papers to read/2022.07/Adaptive Consistency Prior based Deep Network for Image_Denoising/DeamNet-main/DeamNet-main/train.py", line 15, in <module>
    from real_dataloader import *
  File "D:\Papers to read\2022.07\Adaptive Consistency Prior based Deep Network for Image_Denoising\DeamNet-main\DeamNet-main\real_dataloader.py", line 6, in <module>
    import h5py
ModuleNotFoundError: No module named 'h5py'

Process finished with exit code 1

报错原因：安装h5py库

下载数据库，选了一个最小的（都要1.6GB）. 如果运行成功，下一步准备学习‘Dataset.py’，结合代码学习一下文章内容。