网络的总损失函数为三部分乘上权重相加：
3、该算法学习的是更接近于真实噪声的高斯泊松噪声，而前面两篇论文都是学习高斯噪声；并且结合使用合成和真实噪声数据来训练模型，提高模型泛化能力，可以更好地对真实场景进行降噪；
RIDNetReal Image Denoising with Feature Attention
RIDNet中，作者提出了一种新的修复模块，学习特征并进一步增强网络的功能。 作者团队通过关注通道之间的依赖关系来关注特征，以重新调整通道级的特征。 还使用LSC，SSC和SC来绕过低频信息，因此网络可以专注于残余学习。网络结构如下：
该网络的特点主要有：
1、这个网路的结构设计得相对复杂，主要包括三部分：特征提取、4个EMA组成的残差模型、重建。其中特征提取和重建模块都是卷积层 ReLU层。EMA的结构如上图中下半部分框图所示：
（1）首先是两个空洞卷积分支，用来增加感受野，然后进行拼接并进行卷积融合
（2）然后是两个类似残差学习的结构，用于进行特征的提取
（3）最后是注意力机制，主要由一系列1x1的卷积核构成，结构如下图所示：
2、该网络的损失函数为L1损失函数：
