在获得图像的过程中,由于各种硬件设备及传输过程中会产生图像噪声,导致最终人眼观察到的图像往往质量不好。在需要对图像进行理解和分析时,图像噪声会干扰到人们或者计算机对清晰图像中信息的识别。在计算机进行高水平视觉任务时,图像噪声往往会造成严重误差。特别是在一些特殊领域中,如航天领域等,图像噪声带来的干扰可能会造成无法弥补的损失。所以图像去噪在图像预处理阶段的作用是非常重要的,同时也是很多专家学者的重要研究方向。近年来,生成对抗网络在图像复原、图像风格转换等视觉任务中都有重大突破。充分证明生成对抗网络在交替更新对抗优化的过程中,能很好的保留图像中的纹理细节,提高图像去噪的性能。所以本文提出利用生成对抗网络进行图像去噪。现有的大多数传统去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块用于图像先验,导致得到的图像先验信息不够准确。图像去噪的质量在很大程度上取决于输入图像本身,为了使得到的图像先验知识更加准确,本文采用深度学习和组稀疏残差约束相结合的方法有效估计出潜在清晰图像的组稀疏系数。针对图像复原过程中的噪声去除问题,本文工作如下:(1)采用判别网络,对生成网络得到的去噪图像进行判断,用最小二乘损失函数优化去噪图像和清晰图像的数据分布的差异,通过反向传播将不为0的梯度反馈给生成网络,使训练过程更加稳定同时避免梯度消失的问题,使生成图像的数据分布尽可能地拟合真实图像的数据分布,在提高去噪图像的峰值信噪比的同时有更好的视觉效果。(2)针对图像平滑域在去噪过程中容易产生模糊、边缘不清晰的情况,用大小不同的卷积核对图像进行卷积操作,利用得到的图像特征在生成网络的残差块中进行去噪,再将图像特征重建为去噪图像。并采用最小二乘损失结合内容损失的方式,内容损失函数在特征层对去噪图像和目标图像的特征进行一个简单的L2损失计算,使生成图像的边缘纹理细节更接近原图。(3)针对只利用噪声图像得到图像先验知识的问题,本文利用卷积神经网络和组稀疏残差约束相结合的方法,提出一种改进的图像去噪先验模型。将噪声输入图像和预处理图像的两种NSS先验融合,同时用于图像去噪,提高组稀疏图像去噪的性能。