01
课程导论：暗光拍摄的痛点与去噪算法概览
从废片到大片，理解暗光噪声来源与去噪技术全景。
入门概览
02
图像噪声基础：噪声类型与数学表示
高斯、泊松、椒盐噪声模型与概率分布详解。
理论数学
03
传统去噪方法（一）：均值滤波、高斯滤波
原理与Python实现，线性滤波的局限。
传统Python
04
传统去噪方法（二）：中值滤波、双边滤波
边缘保持与非线性滤波，Python实战对比。
传统保边
05
频域去噪：傅里叶变换、低通滤波、小波去噪
从频域视角理解噪声与信号的分离。
频域小波
06
非局部均值去噪（NLM）与BM3D
NLM原理、BM3D算法简介与经典效果对比。
经典BM3D
07
深度学习去噪入门：为什么深度学习能打败传统方法？
数据驱动与特征学习的革命性优势。
DL动机
08
数据准备：暗光数据集构建与成对数据制作
干净/噪声对生成、数据增强策略。
数据增强
09
卷积神经网络（CNN）基础
卷积层、池化层、激活函数与感受野。
CNN基础
10
经典去噪网络（一）：DNCNN
残差学习与批量归一化，开创性工作。
DNCNN残差
11
经典去噪网络（二）：FFDNet
噪声水平图与可调去噪，灵活控制。
FFDNet可调
12
经典去噪网络（三）：CBDNet
真实盲去噪网络，更贴近实际噪声。
CBDNet盲去噪
13
实战：用PyTorch搭建DNCNN去噪模型
从零实现训练与推理，代码详解。
实战PyTorch
14
损失函数：MSE、MAE、SSIM、感知与对抗损失
不同损失函数的特性与适用场景。
损失SSIM
15
训练技巧：学习率调度、权重初始化、梯度裁剪与早停
稳定训练、避免过拟合的实用技巧。
技巧调参
16
模型评估：PSNR、SSIM、NIQE等指标
客观指标计算与主观质量对比解读。
评估指标
17
暗光增强与去噪结合：Retinex、Zero-DCE、EnlightenGAN
联合提升亮度与去除噪声。
增强Retinex
18
真实场景挑战：散粒噪声、读出噪声、固定模式噪声
传感器噪声来源与物理模型。
物理挑战
19
RAW域去噪：拜耳阵列、ISP流程与RAW特点
理解RAW数据格式与去噪优势。
RAWISP
20
实战：基于UNet的RAW域去噪模型
构建UNet处理RAW数据，端到端训练。
UNetRAW
21
自监督去噪：Noise2Noise、Noise2Void、Self2Self
无需干净目标，自监督去噪原理。
自监督N2N
22
无监督去噪：Deep Image Prior与生成模型
利用网络结构先验与生成式建模。
无监督DIP
23
视频去噪：时域信息利用、3D卷积与STDF
利用帧间相关性提升去噪效果。
视频3D卷积
24
移动端部署：量化、剪枝、ONNX与TFLite
模型压缩与端侧推理加速。
部署量化
25
去噪算法评测：公开榜单与竞赛经验
SIDD、DND榜单解析与参赛心得。
榜单竞赛
26
工程化落地：从模型到App全流程踩坑记录
数据闭环、性能优化与上线经验。
工程落地
27
前沿进展：Transformer去噪与扩散模型
IPT、Uformer、扩散模型去噪最新探索。
前沿Transformer
28
综合实战（一）：搭建完整暗光去噪Pipeline
从数据到模型，构建全链路系统。
实战Pipeline
29
综合实战（二）：调优、测试与结果可视化
模型调优、指标对比与可视化展示。
调优可视化
30
课程总结：去噪算法未来趋势与学习路径
回顾核心知识，展望发展方向与资源推荐。
总结路径