手机拍照越来越普遍，人们对手机拍摄图片的质量要求也越来越高。但是手机相机由于光传感器尺寸的限制，拍摄的图像质量往往含有较多的噪声，在暗光条件下拍摄时噪声效应尤为明显，这极大降低了人们的视觉体验。因此通过有效的图像去噪技术对噪声图像进行复原显得十分有必要。尽管目前深度卷积神经网算法在图像去噪领域已经取得了巨大的进展，但对手机拍摄的真实噪声图像去噪还有很大的提升空间，且卷积神经网络算法的性能一直受其方形感受野的限制。
　　本文研究了众多优秀的卷积神经网络去噪算法，并在核预测网络(KPN)的基础之上，提出了应用于多帧图像去噪的可变形核预测网络(DEF_KPN)算法，该算法引入了可变形卷积结构，克服了采用传统卷积感受野效率低的缺点。
　　我们利用可变形卷积结构对噪声图像进行预处理，以便核预测网络生成逐像素滤波核更适应图像的物体结构，使降噪后图像轮廓更加清晰；为了使算法对手机拍摄的真实噪声图像有更好的去噪性能，本文将含有真实噪声的多帧拜尔图像作为网络输入，以获取更多的图像原始信息，我们采用逆ISP方法从彩色图像中获取拜尔图像，而后抖动裁剪、添加Poissonian-Gaussian噪声来合成所需的训练数据。
　　实验结果表明：无论在合成噪声数据上，还是真实噪声数据上，本文提出的DEF_KPN算法的去噪效果均优于KPN算法，在合成噪声数据上，PSNR指标提升了约0.5dB;在真实噪声数据上，PSNR指标提升了0.5dB。SSIM指标提升了0.005。在多帧手机拜尔图像上的实验表明，使用我们的方法训练出来的神经网络可成功对手机拍摄的多帧图像去噪。