图像去噪是计算机视觉领域中的重要研究课题之一,旨在尽可能地保留原始图像的细节和边缘信息的同时,有效地从噪声图像中恢复出受损的干净图像。与传统的基于模型的方法（如BM3D和WNNM）相比,卷积神经网络（Convolutional Neural Network,CNN）具有快速推理和性能良好等优点。尽管目前深度学习的方法在拟合噪声问题上取得了很好的效果,但由于真实图像数据集获取困难且噪声分布复杂,基于深度学习的方法通常假设图像噪声为加性的高斯白噪声（AWGN）,这就使得基于CNN的方法高度适配于合成噪声,而难以应用于真实噪声图像的处理。为了更好地解决真实图像去噪问题,本文提出了一个两步式框架。首先,针对深度学习真实图像去噪需要大量数据去训练网络,而成对数据难以获取或数据集太小的问题,提出利用生成对抗网络（Generative Adversarial Network,GAN）强大的学习能力对潜在的噪声模型进行隐式建模并构建更加符合真实噪声分布的合成数据集。它可以看作是一种数据增强的手段,能够在减少对先验信息依赖的同时提高数据的多样性,使得模型泛化能力更强。其次,鉴于真实图像噪声水平是未知的,如果要提高去噪网络对不同噪声水平图像去噪结果的鲁棒性,常常需要获取输入图像的噪声水平作为先验。因此,本文提出了噪声估计联合非盲去噪网络实现真实图像的盲去噪模型,并使用合成数据和真实数据对其进行训练。我们首先设计了一个名为DRNet的残差去噪网络,为了将噪声估计与基于CNN的去噪器相结合,我们在网络的前端引入了一个噪声估计模块,利用自然图像非局部自相似块的低秩性,通过求取协方差矩阵冗余维度的特征值来估计图像的噪声程度,以提供一种更为灵活的方式来处理未知水平的噪声。该方法在估计噪声时需要简单地将图像噪声假设为加性的零均值高斯噪声。尽管这在一定程度上也能够提高模型盲去噪的能力,但我们发现它对某些图像的去噪效果非常有限。因为真实噪声实际上往往是空间变异的（非高斯）,甚至依赖于图像信号。因此,我们进一步地改进了噪声估计的方法,通过设计一个可单独训练的网络来估计像素级的噪声水平,使得单个模型具有同时抑制不同噪声水平的能力。同时我们将整体网络设计为一个双域残差去噪的形式（dual-domain residual denoising network,D3Res Net）,在空间域中尽可能地保留高对比度特征,而在小波域中学习噪声的先验信息。实验表明,本文提出的D3Res Net能够解决由于未知噪声水平所引起的去噪程度不足或去噪过度的问题,并在有效去噪的同时保持原始图像中的纹理等细节特征。此外,D3Res Net还设计了可调的交互策略,通过对图像噪声水平进行微调实现灵活去噪,提高了算法在实际应用中的价值。