Denoise（去噪）
定义
去噪就是从被随机干扰污染的观测数据中，尽量还原出干净的原始信号。信号处理里把观测建模为真实信号与噪声之和：
y = x + n
- y：实际拿到的、含噪的数据
- x：想要还原的干净信号
- n：混入的随机噪声（常假设为高斯噪声）
Denoise 即从 y 估计 x，等价于去掉 n。
噪声来源
- 成像：光照不足、传感器热噪声、量化误差
- 音频：环境杂音、电路底噪
- 传输：信道干扰
- 科学测量：仪器精度限制
方法谱系（由传统到现代）
- 多帧平均：同场景多次采样，随机噪声正负抵消，均值逼近 x。信噪比随帧数 √N 提升。
- 空间平滑：均值/中值/高斯/双边滤波，用邻域信息压抑孤立异常点。缺点是易糊边缘（双边、非局部均值 NLM 缓解此问题）。
- 变换域：小波/傅里叶变换后，噪声多落在高频，做阈值收缩再逆变换。
- 稀疏 / 字典：假设干净信号在某字典下稀疏（如 K-SVD、BM3D），噪声不稀疏，据此分离。
- 深度学习：用「干净—含噪」配对训练网络（DnCNN 等），直接学噪声或残差映射，效果与鲁棒性目前最优。
与扩散模型的关系（重点）
现代生成模型 DDPM（Denoising Diffusion Probabilistic Models）把「去噪」推到极致，成为生成新数据的核心：
- 前向过程：对干净图 x₀ 逐步加高斯噪声，T 步后变成近似纯噪声 x_T（雪花点）。
- 反向过程：训练一个网络 εθ 在每一步预测「这一步加了什么噪声」，从而一点点去噪，从纯噪声 x_T 反推回 x₀。
- 训练目标：本质是让网络学会「给定含噪图和噪声等级 t，预测其中的噪声 ε」——一个逐级 denoise 任务。
- 生成：推理时从随机噪声出发，反复调用去噪网络若干步，「变」出一张全新样本。
所以扩散模型的一句话理解就是：把生成问题转化为「学会分步去噪」。Stable Diffusion 在此基础上把去噪放到潜空间（latent），并用 cross-attention 注入文本条件，实现文生图。
对 OCR 研究的启发
- 文档图像预处理去噪（去扫描噪点、去背景）可提升前端检测/识别稳定性。
- 扩散式「迭代精修」思想可借鉴到结构化输出的逐步修正；条件去噪 + cross-attention 是「视觉条件下生成结构化文本」的通用范式，与后端 AR 生成路线相通。
一句话
Denoise = 擦掉数据上的随机脏点、还原本来干净的样子；从手机拍照修复到 AI 文生图（ddpm），背后都是它。