企业官网建设流程全解析

简介：基于Python的卷积神经网络红外图像非均匀性校正毕业设计，面向毕业设计、课程设计、大作业及工程实训场景，也适合希望入门深度学习图像处理的小白与进阶学习者。项目围绕红外图像非均匀性校正任务，提出一种基于残差学习的校正网络RNUC，通过两个残差块级联完成特征提取与校正，并配套合并式特征提取单元设计，能帮助读者理解卷积神经网络在红外图像预处理中的实际落地方式。压缩包内共8个文件，以3个Python脚本为主要代码主体，覆盖模型定义、训练主程序与工具函数，辅以模型摘要、模型结构PNG图、README说明文档与训练日志，压缩包约374KB，便于快速解压运行与二次开发。目前已有165人学习/浏览，内容既适合新手照图复现，也适合进阶者在此基础上调整网络结构或训练策略。借助说明文档与代码注释，读者可以快速定位关键模块，掌握从数据准备、模型训练到结果导出的完整流程，为后续完成毕设论文、课程报告或工程实践提供扎实起点。

1. 基于Python的卷积神经网络红外图像非均匀性校正：毕设核心命题与最终交付

红外相机拍出来的画面总像蒙了一层会“定住”的格子布——静止场景下横竖条纹和颗粒状噪声的位置不变，这就是红外焦平面阵列响应不一致造成的。做过红外图像处理的同学应该都体会过这个场景：刚开机时图像噪点明显，环境温度一变化条纹还会漂移。基于Python的卷积神经网络红外图像非均匀性校正，要做的就是训练一个端到端的CNN模型，输入一张带非均匀性噪声的红外图像，直接输出一张干净校正图，不再依赖黑体标定出来的那一套静态参数。这篇笔记面向两类人：一是正在选毕业设计题目、想让实验有明确指标和对比结果的同学；二是做红外测温或安防设备、想在传统两点校正之外找一个更抗场景变化方案的工程师。下面按问题建模、数据仿真、网络训练和避坑顺序拆开说。

2. 从传统标定到CNN：非均匀性校正为什么要换算法

2.1 红外非均匀性的来源与数学建模

非均匀性校正的对象很具体：红外焦平面阵列上每个像元的光电响应曲线天生不一致。常用的一阶模型把每个像元的响应近似成一条直线：

y(i,j) = g(i,j) * x(i,j) + o(i,j) + n(i,j)

其中g(i,j)是像元增益，o(i,j)是像元偏置，n(i,j)包含随机噪声。由于制造工艺、材料掺杂浓度和散热条件不同，相邻像元之间的g和o会出现几个百分点的偏差。如果不做校正，静止场景下每个像元输出亮度的差异被原样保存下来，就形成“固定图案噪声”。红外图像的固定图案噪声有两个特点，一是强，二是稳。强是指噪声幅度常常超过20%的灰度动态范围，稳是指在短时间范围内噪声图案几乎不随时间变化，因此肉眼看起来格外惹眼。

实际工程里固定图案噪声还分两种形态。点噪声是逐像元增益和偏置波动，画面上表现为均匀的雪花点；条纹噪声则是整行或整列的响应偏差，表现为水平或垂直亮暗条纹，常见于采用逐行采样读出电路的非制冷长波红外探测器。这两种形态在频域里的表现截然不同：点噪声整体抬高频谱背景，条纹噪声则会在水平或垂直方向形成一条亮线。这个频域特征后面做验证时会直接用上。

在毕业设计里不需要一上来就追求完全精确的物理模型。常见做法是用加性偏置和乘性增益组合来描述退化过程：

noisy(x) = clamp( x * gain_map + bias_map + row_noise + col_noise )

这里的gain_map和bias_map是逐像素矩阵，row_noise是对每一行叠加的随机偏置，col_noise是对每一列叠加的随机偏置。这个模型虽然简单，却能覆盖“点噪声+条纹噪声”两类主要退化，足够让CNN学到有区分度的特征。一组接近真实的参考参数是：增益不均约±2%，偏置不均约±2%满量程，死像元比例0.1%到0.5%。

2.2 传统校正方法的边界

传统非均匀性校正分两大阵营。第一类是标定法，最典型的是两点校正。操作方式是在探测器前放一个均匀黑体，分别记录低温段和高温段下每个像元的输出，然后通过线性拟合求出增益和偏置，做逐像元补偿。两点校正的算法极其简单，嵌入式上只占几个乘加运算，这是它至今没有被淘汰的原因。缺点同样明显：黑体是外置设备，工业现场和车载机载环境很难随时标定；探测器响应会随着温度、入射光强度和上电时间缓慢漂移，标定参数几分钟后就失效，画面上又冒出条纹。

第二类是基于场景的方法，代表有恒定统计法和卡尔曼滤波法。这两种方法不需要黑体，利用场景运动时各个像元看到相同统计分布这一假设，在线估计增益和偏置。理论上很理想，实际有两个坑。第一个坑是场景运动不足时估计方程退化，条纹不但没校掉反而会被当成场景细节锁死；第二个坑是运动物体与静止背景同时存在时容易产生鬼影，物体刚走过的位置会残留一帧深色痕迹。这类方法在低速监控场景还能用，放到手持热像仪或高速工业检测上就很别扭。下面这张表能直观看出定位差别：

2.3 CNN校正的优势：残差学习与端到端映射

卷积神经网络的做法和以上完全不同，它不做“先估计增益和偏置再补偿”的显式建模，而是直接用大量配对数据学习从noisy到clean的映射。传统方法在先验假设上做数学推理，CNN在数据分布上做经验拟合。只要训练数据覆盖够广，它就能同时压制点噪声和条纹噪声，不需要知道具体是哪一个像元的增益漂了。

毕设实现时最常见也最稳的网络结构是残差学习，思路是让网络输出噪声残差，而不是直接输出校正图，写成公式就是：

predict_clean = input - net(input)

注意这里的net(input)预测的是噪声成分，与DnCNN的思路一致。采用残差学习的原因有三个。第一，红外固定图案噪声能量集中且结构稀疏，网络学习“噪声图”比学习“干净图”容易收敛得多。第二，让输出与输入共享绝大部分信息，模型只需要把微小扰动拟合出来，梯度回传路径短，训练初期loss下降非常快。第三，如果网络直接输出校正图，很容易把图像里本应保留的边缘和纹理当成噪声抹平；走残差路径时，网络默认输出为零就等价于输入原图，至少不会变得更差。

也有文献尝试用一维卷积神经网络专门沿行方向处理条纹，但我的经验是：二维CNN同时利用水平垂直邻域信息，对点噪声和条纹噪声都能处理，毕设选二维CNN更通用。在搭环境的时候，我的习惯是先用Anaconda建虚拟环境，再去python官网下载匹配的Python 3.8或3.10安装包，之后按顺序装numpy、opencv-python（cv2）、torch。红外图像是单通道灰度图，代码里经常出现cv2.imread后只取[:, :, 0]的操作，注意不要用cv2默认的三通道当输入。整个网络在CPU上也能训练小patch，但强烈建议用NVIDIA显卡，60轮训练时间能差20倍以上。

3. 数据准备与合成噪声：让CNN有足够多的配对样本

3.1 构建非均匀性仿真模型

CNN训练需要大量“干净图-噪声图”配对样本。真实红外图像获取成本高，也很难拿到无噪声真值，所以毕业设计里最常用的做法是合成训练集。你需要准备两类东西：干净的灰度图，以及一个能随机生成不同形态非均匀性噪声的仿真器。干净图可以从红外公开数据集里选，也可以直接用普通灰度图做灰度拉伸、加对比度变化，因为我们模拟的噪声是叠加在亮度层面上的，灰度图足够。

仿真器的设计是关键。建议至少包括三个噪声层：逐像素增益/偏置、行条纹、列条纹，另外预留一个死像元开关。参考参数如下表：

注意幅度范围不要一开始就拉得很宽。实验上，gamma从窄范围0.2到0.3开始，模型收敛后再加大到0.5，训练过程会平稳很多。均匀分布比高斯分布更适合这里的合成，因为固定图案噪声在像元间是均匀波动的，高斯分布会让大部分像元集中在均值附近，模拟不出大偏差坏点。

3.2 合成训练集的流程与代码

用Python加OpenCV实现仿真器非常直接。下面这段函数可以作为NUC数据生成的核心模块，参数都写在函数签名里，方便后面做消融实验时反复调用。

import numpy as np import cv2 def synthesize_noise(clean, gamma=0.3, stripe=0.15, col_stripe=None, dead_ratio=0.002, seed=None): """输入干净灰度图，返回带非均匀性噪声的图。 clean: uint8 单通道灰度图，shape=(H, W) gamma: 逐像素增益/偏置幅度，越大点噪声越强 stripe: 行条纹强度，建议 0 ~ 0.3 col_stripe: 列条纹强度，默认与行条纹一致 dead_ratio: 死像元比例 """ if seed is not None: np.random.seed(seed) h, w = clean.shape clean_f = clean.astype(np.float32) / 255.0 # 1) 逐像素增益和偏置，模拟像元响应差异 gain_map = np.random.uniform(1 - gamma, 1 + gamma, (h, w)) bias_map = np.random.uniform(-gamma, gamma, (h, w)) noisy = clean_f * gain_map + bias_map # 2) 行条纹：每一行乘系数并加偏移，形成横向固定图案 row_gain = np.random.uniform(1 - stripe, 1 + stripe, (h, 1)) row_bias = np.random.uniform(-stripe, stripe, (h, 1)) noisy = noisy * row_gain + row_bias # 3) 列条纹，强度独立控制 if col_stripe is None: col_stripe = stripe col_gain = np.random.uniform(1 - col_stripe, 1 + col_stripe, (1, w)) col_bias = np.random.uniform(-col_stripe, col_stripe, (1, w)) noisy = noisy * col_gain + col_bias # 4) 死像元：少数点被置为极端值，模拟坏点 dead_mask = np.random.rand(h, w) < dead_ratio noisy[dead_mask] = np.random.choice([0.0, 1.0], size=dead_mask.sum()) noisy = np.clip(noisy, 0, 1) return (noisy * 255).astype(np.uint8)

逻辑说明：第一步的gain_map和bias_map是逐像素的，模拟像元级响应差异。第二步row_gain的形状是(h, 1)，乘上时会广播到每一行，产生“整行一起亮或一起暗”的效果，这正是行条纹的主要来源。第三步用(1, w)形状的col_gain模拟竖条纹。最后用dead_mask模拟坏像元，坏像元在红外图像里非常多见，不处理会让CNN输出局部特别怪。

参数说明：gamma和stripe是最需要调的两个超参数。gamma偏大时，模型会被迫学习点噪声先验；stripe偏大时，模型注意力集中在条纹上。两者同时很大时任务过难容易不收敛，建议gamma与stripe的比值从2比1起步，例如gamma=0.3、stripe=0.15。col_stripe为None时默认等于stripe，如果你的测试数据只有横条纹，可以把col_stripe调成0。

3.3 数据归一化与增强策略

仿真器生成的是配对数据，接下来要构建训练集。红外图像是单通道，不需要像RGB三通道那样做复杂归一化。我一般把数据统一到[0,1]浮点数再送入网络，推理时也这样做，输出后再乘以255还原显示。

数据增强上用翻转、旋转90度倍数和随机裁剪就够。做旋转时注意：如果训练集里行条纹和列条纹强度不对称，旋转会改变条纹方向，这未必是坏事，反而能让模型对两个方向条纹都鲁棒。但如果你只模拟了行条纹并且没做旋转，模型遇到竖条纹会彻底失效。

另外有一个容易翻车的细节：不要在增强阶段对图像做透视畸变或仿射变换去模拟“抖动”。红外固定图案噪声叠加在传感器平面上，场景的几何变换不等价于噪声的几何变换。非要模拟场景抖动，应该先对干净图做变换，再叠加噪声。

下面是一个生成patch的Dataset代码，配合PyTorch使用：

import torch from torch.utils.data import Dataset class NUCDataset(Dataset): def __init__(self, clean_paths, patch_size=64, gamma_range=(0.2, 0.5), stripe_range=(0.1, 0.25), length=5000): self.paths = clean_paths self.patch = patch_size self.gamma_range = gamma_range self.stripe_range = stripe_range self.length = length def __len__(self): return self.length def __getitem__(self, idx): img = cv2.imread(self.paths[idx % len(self.paths)], cv2.IMREAD_GRAYSCALE) # 随机裁剪，保证每个epoch都看到不同局部 h, w = img.shape y = np.random.randint(0, h - self.patch) x = np.random.randint(0, w - self.patch) clean_patch = img[y:y+self.patch, x:x+self.patch].astype(np.float32) / 255.0 # 数据增强：水平翻转、90度倍数的旋转 if np.random.rand() > 0.5: clean_patch = clean_patch[:, ::-1] if np.random.rand() > 0.3: clean_patch = np.rot90(clean_patch, k=np.random.randint(1, 4)) gamma = np.random.uniform(*self.gamma_range) stripe = np.random.uniform(*self.stripe_range) noisy_patch = synthesize_noise(clean_patch, gamma=gamma, stripe=stripe) return torch.from_numpy(noisy_patch).float().unsqueeze(0), \ torch.from_numpy(clean_patch).float().unsqueeze(0)

这里的length故意设成5000，避免每个epoch都重复读文件。同一张原图会被裁剪成不同patch，相当于隐式扩充了训练集。gamma_range和stripe_range分别控制在0.2-0.5和0.1-0.25，保证不同噪声强度的样本同时存在，让模型在未知强度下也能工作。

注意代码中的顺序：先裁剪、后翻转旋转、再合成噪声。这样每次生成的噪声都与增强后的干净图对齐，不会出现噪声图案方向与图像自身方向不一致的问题。如果你在合成噪声后再做旋转，条纹方向也会跟着转，虽然也能训练，但会让“横条纹/竖条纹”的语义变得混乱，不利于做可控实验。

4. 用PyTorch实现CNN非均匀性校正：网络、损失与训练

4.1 网络结构选择与代码

网络结构不要一上来就搬大模型。红外NUC任务输入输出都是单通道灰度图，需要的是大感受野、小计算量。常见做法是参考DnCNN设计一个10层左右的卷积网络：前9层为Conv+BatchNorm+ReLU，最后一层只做Conv，输出1通道噪声图。

import torch import torch.nn as nn class NUCNet(nn.Module): def __init__(self, in_ch=1, base=32, depth=10): super(NUCNet, self).__init__() layers = [] # 第一层：输入通道 -> base 通道 layers.append(nn.Conv2d(in_ch, base, kernel_size=3, padding=1, bias=False)) layers.append(nn.BatchNorm2d(base)) layers.append(nn.ReLU(inplace=True)) # 中间层：base -> base，保持特征图尺寸不变 for _ in range(depth - 2): layers.append(nn.Conv2d(base, base, kernel_size=3, padding=1, bias=False)) layers.append(nn.BatchNorm2d(base)) layers.append(nn.ReLU(inplace=True)) # 输出层：base -> 1通道噪声残差 layers.append(nn.Conv2d(base, in_ch, kernel_size=3, padding=1, bias=False)) self.body = nn.Sequential(*layers) def forward(self, x): noise = self.body(x) # 残差学习：校正图 = 输入 - 预测噪声 return x - noise, noise

forward返回两个值，第一个是校正后的图像，第二个是预测噪声。训练时用校正图与真值算损失，同时可以拿预测噪声做可视化，看网络是否真的学到了条纹。中间层用BatchNorm而不是InstanceNorm，原因是红外噪声虽然在场景变化时会漂移，但视觉特征比较稳定，BN的批统计能加速收敛。

参数说明：base=32是推荐值，提升到64参数量会增加到三倍左右，效果提升未必对等。depth=10的感受野大概是21x21，对局部纹理足够。如果图像分辨率很高或条纹空间频率低，可以把depth加到14或16，同时接受训练时间变长。

4.2 损失函数与评价指标

训练损失不能只用MSE。MSE会让网络偏向输出平滑结果，图像上表现为去条纹的同时抹掉边缘。我常用的组合是L1像素损失加水平梯度一致性损失：

def nuc_loss(pred, clean, alpha=0.5): # L1 像素损失，对边缘更友好 loss_l1 = torch.abs(pred - clean).mean() # 水平梯度一致性：约束左右相邻像素差，压制条纹亮线 grad_pred = torch.abs(pred[:, :, :, 1:] - pred[:, :, :, :-1]) grad_clean = torch.abs(clean[:, :, :, 1:] - clean[:, :, :, :-1]) loss_grad = torch.abs(grad_pred - grad_clean).mean() return loss_l1 + alpha * loss_grad

grad_pred与grad_clean做绝对差均值，本质是约束网络在校正后不把横向梯度关系过度改变。条纹噪声会在横向梯度上形成周期性尖峰，这个损失能明显抑制残留条纹，同时不会惩罚边缘本身。alpha取0.5左右比较稳，取大了会造成图像边缘压缩，出现“纸片感”。

评价指标建议三个一起看。PSNR衡量像素级重建误差，做主指标；SSIM衡量结构相似度，防止只盯着像素误差；粗糙度衡量条纹残留。粗糙度公式为：

rho = (1/(H*(W-1))) * sum_{i,j} |I(i,j+1) - I(i,j)|

这是横向粗糙度，适合评估水平条纹。对竖条纹则对每一列做垂直差分再取平均。注意粗糙度越低越好，但太低也意味着图像被过度平滑，所以必须和PSNR、SSIM联合判断。SSIM本身是验证指标，直接作为训练损失虽然可导但训练不太稳定，不建议这么做。

4.3 训练参数设置与收敛观察

训练参数我的习惯是这样：patch_size=64，batch_size=16，优化器用Adam，初始学习率1e-3，损失权重alpha=0.5，epoch=60，学习率做余弦退火到1e-5。下面是一个训练主循环模板：

import torch.optim as optim from torch.utils.data import DataLoader model = NUCNet(base=32).cuda() dataset = NUCDataset(clean_paths=your_image_path_list, length=5000) dataloader = DataLoader(dataset, batch_size=16, shuffle=True, num_workers=4) optimizer = optim.Adam(model.parameters(), lr=1e-3) scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=60, eta_min=1e-5) for epoch in range(60): model.train() epoch_loss = 0 for noisy, clean in dataloader: noisy, clean = noisy.cuda(), clean.cuda() pred, noise_map = model(noisy) loss = nuc_loss(pred, clean, alpha=0.5) optimizer.zero_grad() loss.backward() optimizer.step() epoch_loss += loss.item() scheduler.step() if epoch % 5 == 0 or epoch == 59: print(f"epoch {epoch:02d}, loss {epoch_loss / len(dataloader):.4f}")

参数说明：num_workers=4是台式机的推荐值，如果系统是Windows且数据读取总报错，改成2或0。T_max=60表示在60个epoch内将学习率余弦降低，前期学习率大能快速跳过平缓区，后期小学习率精调。如果你没有GPU，把.cuda()去掉，batch_size降到8，一样能跑，只是速度会慢不少。

训练时关注几件事。第一是loss曲线，理想情况是前10个epoch快速下降，然后缓慢到一个平台。第二是看预测噪声图，如果噪声图展现出清晰的横条纹或竖条纹，说明网络确实在学固定图案。第三是在验证集上算PSNR，通常原图在24到26dB，训练后涨1到3dB都正常，涨幅低于0.5dB大概率是合成强度太弱，需要加大gamma和stripe范围。

验证集不要从训练集里抽同一批噪声强度的图。固定几组gamma值，比如0.2、0.4、0.6，每组生成独立测试样本，这样才能看出模型在已知和未知退化强度下的表现。毕业设计论文里最有用的一张对比图是：原图、两点校正结果、CNN校正结果并排在一起，再配上每张图的峰值信噪比。

5. 毕业设计避坑指南：从仿真到真实的5个常见问题

5.1 仿真数据与真实数据域不一致，模型水土不服

现象：在合成测试集上PSNR提升3dB，换上真实红外相机拍的一张图，条纹不仅没消除，图像反而出现一块块“油渍”。

原因：仿真模型把非均匀性简化成了增益和偏置，真实探测器的响应曲线并不是严格线性，还存在温度漂移带来的缓慢变化、电源纹波造成的周期性干扰、坏点簇以及光学系统自身的渐晕。CNN从仿真数据里学到的映射不一定能覆盖这种分布偏移。

解决：不要一味增加网络复杂度，建议从两头做。一是仿真时把gamma和stripe范围调宽，并增加column stripe、dead_ratio等自由度，让训练集覆盖更大的退化空间。二是保留少量真实红外图做微调，哪怕只有几百张无配对真值图，也可以用仿真网络输出的结果作为伪标签再训练。我一般会在真实图上选几块平坦背景区域做帧平均，生成近似干净图，再放到训练集尾部微调。这个方法像吃后悔药，但确实有效。

5.2 动态场景残留鬼影，条纹去不干净

现象：视频序列中，行人从画面中走过，行人身后位置在接下来十几帧里都有一个暗色残影，同时背景条纹还在。

原因：红外固定图案噪声在空间上是固定的，单帧CNN无法区分“固定条纹”和“静止物体”。如果场景静止，模型会把静止物体的纹理也当作噪声源抹掉一部分，形成鬼影。另外单帧输入没有帧间信息，条纹位置不变但场景移动，模型缺少“哪个才是真正固定噪声”的判别线索。

解决：训练时加入多帧输入。常见做法是把连续两三帧沿通道维度拼接，使输入变成多通道，让CNN通过帧间差异识别固定成分。例如同时取前后两帧和当前帧，在通道维度堆叠成三通道输入，网络首层Conv2d的in_ch改为3即可。如果不想改网络，也可以在推理时做时域滤波：当前帧减去近N帧的逐像素中值背景，再把中值背景加回去一部分。这个方法能消掉大部分固定条纹，但运动物体边缘会出现新鬼影，需要配合运动区域检测做加权融合。

5.3 PSNR涨了但视觉变差，画面出现塑料感

现象：指标表里PSNR从24.2涨到25.8，SSIM也升了，但人眼看着像磨了皮，衣服纹理和边缘都没了。

原因：这是MSE类损失的常见副作用。MSE在统计上等价于求条件均值，条件均值会平滑掉高频细节。条纹去除和纹理保持落在同一个频率带上，网络为了压条纹，只能把高频成分一起删掉。

解决：把损失从MSE改成L1加梯度一致性，必要的时候加入感知损失。感知损失用VGG16浅层特征比较pred和clean的内容差异，但红外单通道需要把图像复制成三通道才能送入VGG，训练会慢一些。另一个便宜有效的办法是分别在patch级和整图级各算一次梯度损失，强制保留边缘锐度。主观验证时不要只看指标，一定要把对比图的同一局部区域放大，看纹理密集的地方有没有出现“水彩化”。

5.4 训练不收敛或loss震荡

现象：loss在第一个epoch就冲到很大，后续完全不降，或者前10轮还正常，20轮后开始周期性震荡。

原因：最常见的是噪声强度范围设太大，任务超出模型能力。其次是学习率偏高，Adam虽然自适应，但在小batch下也会不稳定。还有一个隐蔽问题是数据归一化不一致，合成噪声时clean在[0,1]范围正常，但某张图存在极限值0或255，噪声生成后被clip，梯度方向会出现奇异值。

解决：先用窄范围跑通基线，例如gamma=0.2、stripe=0.1、patch=64、batch=16、lr=1e-3。如果这个配置能稳定收敛，再逐步加大gamma。如果loss震荡，把lr降到3e-4，或换成StepLR在40轮时衰减一次。训练前检查数据范围，确保输入在[0,1]且死像元比例控制在0.5%以内。死像元本身就是极端值，会造成梯度爆炸。

5.5 显存不足与训练速度过慢

现象：batch_size设成32直接OOM；batch_size=8虽然不爆，但一个epoch要跑十几分钟，整体训练时间不可接受。

原因：红外图像往往分辨率不低，如果整图输入，显存占用会很大。模型参数不多，但激活值会随空间尺寸线性增长。

解决：用RandomCrop把patch_size设为64，这是显存与感受野的折中点；batch_size设16，大多数消费级显卡都能承受。如果还想加速，可以加两行代码：

torch.backends.cudnn.benchmark = True scaler = torch.cuda.amp.GradScaler()

第一行让cuDNN自适应选择最快的卷积算法，第二行启用自动混合精度。这里要注意梯度回传时要用scaler放大loss再反向传播，否则float16下可能出现下溢。在我的实验中，这两条设置能让训练时间缩短30%到40%，精度几乎不变。如果数据读取卡顿，把图像路径列表全部读入内存缓存成numpy数组，不要每个epoch重复用cv2.imread。

6. 从毕设到可交付：验证方法、消融实验与进阶改进

毕业设计能否通过答辩，关键不是模型多花哨，而是整条链路是否完整。我建议在写论文前把实验做成三组：标准对比组、消融组、鲁棒性组。标准对比组是“两点校正 vs CNN”，在测试集上给出PSNR、SSIM、粗糙度三列数据；消融组是“直接回归干净图 vs 残差学习”“MSE vs L1+梯度损失”的逐项对比；鲁棒性组则用训练阶段没见过的高强度噪声测试，例如gamma=0.8、stripe=0.4，看模型是否还能稳住。

消融对比表的结构可以参考这张：

数字不是固定结论，但趋势基本如此：残差学习优于直接回归，梯度一致性对粗糙度指标优势明显。答辩时这张表配合频域前后对比图最有力——把原图和校正图分别做二维FFT，指出条纹亮线在去噪后消失，这是比PSNR更直观的“去条纹证据”。

进阶改进的方向不外乎三个。一是换更强的网络结构，例如把DnCNN换成轻量U-Net或加入通道注意力，让模型对大范围条纹有更强感受野。二是多帧时序输入，连续三帧堆叠成三通道，利用帧间运动信息分离固定图案。三是用非配对数据做领域适配，真实红外图没有真值，可以用CycleGAN式对抗训练，把仿真数据学到的校正能力迁移到真实域。

我自己做这类课题最深的教训是：不要一开始就走大网络。大网络只会放大数据问题，不会掩盖它。正确的顺序永远是小网络加窄噪声范围先跑通，再逐步加噪声、加深网络、加损失。这套顺序走完，论文、代码、答辩素材都会顺理成章出来，每张对比图也都能讲出故事。希望这个方向能帮到你，也希望你写代码时少走我当年走过的弯路。

本文还有配套的精品资源，点击获取