文献综述：

一、国内外研究现状

（一）国外研究动态

在国际上，深度学习于视频去噪领域的探索不断深入。例如，文献 [1] 展示了深度学习在农业领域预测冬季温室温度的应用，体现了深度学习处理复杂数据关系的能力。文献 [2] 聚焦于天文学，利用深度学习图像突发堆叠技术重建高分辨率地面太阳观测图像，凸显了深度学习在提升图像质量上的潜力，为视频去噪提供了图像层面的思路借鉴。在通用视频去噪研究里，不少顶尖学术团队尝试大型深度学习架构，投入海量计算资源追求极致去噪效果，却常忽视模型轻量化，限制了实际应用场景的拓展。

（二）国内研究动态

国内学者同样成果丰硕。早期如文献 [3] 开展了基于深度学习的视频文本区域定位与识别研究，为后续视频内容精细化处理奠定基础。近年来，越来越多研究对准视频去噪。文献 [4] 提出基于细节还原卷积神经网络的压缩视频质量增强技术，一定程度改善了视频画质；在学位论文方面，文献 [5 - 10] 从不同角度攻坚视频去噪难题，有的侧重深度先验学习，有的关注辐射干扰噪声，还有围绕细节引导、光流及多尺度特征融合等技术，不过大多未重点考量模型轻量化问题，仅有少数初步涉及，尚未形成成熟体系。

二、基本研究方法

当前研究视频去噪的主流方法依托深度学习架构。卷积神经网络（CNN）是常用基础，凭借卷积层提取局部特征，再经池化层降维，全连接层整合特征完成去噪任务；循环神经网络（RNN）及其变体（LSTM、GRU ）善于捕捉视频帧间时序信息，适配动态视频场景；Transformer 架构也崭露头角，依靠自注意力机制捕捉长距离依赖，优化特征提取效能。在训练优化环节，常采用随机梯度下降（SGD）及其变种 Adagrad、Adam 等优化算法，搭配数据增强技术扩充样本，提升模型泛化能力。

三、当前存在的问题

模型轻量化不足：现有多数高性能视频去噪模型参数量庞大、结构复杂，对硬件算力要求严苛，难以部署到资源受限设备，像移动端、嵌入式设备，阻碍了技术的普惠应用。

实际场景适应性弱：老旧视频存在噪声类型复杂、画面模糊、色彩失真等复合问题，当前模型常针对单一噪声类型或标准数据集训练，面对真实老化视频的去噪效果大打折扣，实用性受限。

缺乏系统性评估指标：各研究采用的评估指标分散，未形成统一标准衡量轻量级与去噪效果间平衡，导致难以精准对比不同模型优劣，延缓技术迭代。

四、发展动向

轻量化架构探索：行业逐渐意识到轻量化重要性，开始尝试网络剪枝、量化、知识蒸馏等技术，从削减冗余参数、降低参数精度、迁移知识角度打造轻量级架构，力求在普通硬件上流畅运行。

跨领域融合：融合计算机视觉其他领域成果，例如将超分辨率重建、图像复原技术与视频去噪结合，多管齐下处理老旧视频问题；或是引入强化学习，让模型自主决策去噪策略，提升复杂场景适应性。

标准制定推进：学术与工业界联合推动统一评估标准建立，综合考量模型大小、速度、能耗、去噪质量等多维度，规范研究方向，加速优质轻量级模型筛选与推广。

五、开展本设计（论文）研究的内容、意义、必要性和价值

研究内容：本研究将专注于挖掘、对比现有深度学习模型，锁定轻量级架构，利用改进策略优化其性能，编程实现并在公开老旧视频数据集验证，最终达成高效去噪修复。

意义：助力拯救海量因噪声污染老化的珍贵老旧视频资源，保留文化、历史影像资料；为多媒体产业提供低成本视频处理方案，降低内容制作成本，推动行业发展。

必要性：老旧视频去噪需求迫切，现有模型无法兼顾效率与效果，轻量化改进势在必行，填补当下应用缺口刻不容缓。

价值：学术上丰富轻量级视频去噪理论与方法体系；应用上拓展深度学习技术落地场景，创造社会与经济效益。

研究方案：

一、理论基础

深度学习在计算机视觉领域的蓬勃发展，为视频去噪研究筑牢根基。卷积神经网络的卷积层能够有效提取图像局部特征，池化层可降低数据维度、减少计算量，全连接层整合特征完成分类或回归任务，在早期视频去噪模型里是核心架构。循环神经网络及其变体，如长短期记忆网络与门控循环单元，因能处理序列数据、捕捉时间维度信息，适用于视频这种连续帧数据。Transformer 架构兴起后，其自注意力机制不依赖卷积核，可全局捕捉特征关系，革新了视频特征提取方式，让模型能聚焦于关键像素区域，精准去除噪声。基于这些基础理论，本研究探索轻量级架构，旨在平衡计算资源与去噪性能。

二、研究方法

文献调研法：深入挖掘知网、ACM Digital Library、arXiv 等学术数据库，搜索近五年视频去噪相关的顶会、顶刊文献。对文献进行精读、泛读分类，梳理各模型的提出背景、创新点、实验设置与结论，构建知识图谱，明确领域技术演进路径，找出轻量级模型研究空白与潜力方向。

对比分析法：针对筛选出的 10 - 15 种主流深度学习视频去噪模型，从模型架构复杂度、训练参数、性能指标、运行效率等维度建立对比矩阵。运用层次分析法、灰色关联度分析等多准则决策方法，量化各模型优势与劣势，锁定轻量级且高效的目标模型。

实验法：采用 Python 结合深度学习框架进行编程实现。运用数据增强技术扩充公开数据集，按 7:3 比例划分训练集与测试集。设置消融实验，依次改变模型改进点，观察单一因素对整体性能影响；采用交叉验证法提升实验稳健性，记录不同实验配置下模型的收敛曲线、性能指标变化，用统计分析工具检验结果显著性。

三、研究步骤

第 1 - 2 周：基础夯实与文献初筛

重温深度学习专业课程，包括神经网络原理、反向传播算法、常见优化器等知识，强化理论储备。

确定文献检索关键词，如 “Video Denoising”“Deep Learning”“Lightweight Model” 等，在各大数据库检索文献，初步筛选出 200 篇左右相关论文。

第 3 - 4 周：深度文献研读与模型初选

对筛选文献逐篇精读，剖析至少 20 种深度学习视频去噪模型，绘制思维导图展示模型架构、技术特色与性能表现。

依据老旧视频特点，初步挑选 3 - 5 种轻量级潜力模型，考量其参数量、计算成本与去噪效果。

第 5 - 8 周：模型改进策略设计与实施

针对选定模型，从网络剪枝、量化、结构重构三方面拟定改进策略，预估各策略对模型性能影响。

在小规模数据集上编码实现改进模型，利用早停法、学习率衰减等技巧加速收敛，初步验证改进思路可行性，根据训练日志微调改进方案。

第 9 - 12 周：大规模实验与综合评估

在完整公开数据集上开展实验，为改进前后模型分别设置多组超参数组合，每组实验重复 3 - 5 次取均值。

实时监测训练过程，绘制损失函数、准确率等指标变化曲线，实验结束后全面对比改进前后模型的 PSNR、SSIM 提升幅度，以及参数量、运行时间缩减比例，邀请同行评估模型实用性。

第 13 - 16 周：论文撰写与答辩准备

按照学术论文规范，撰写毕业论文，涵盖绪论、相关理论、模型改进、实验分析、结论与展望等章节，穿插图表、公式增强可读性。

组织模拟答辩，收集导师与同学反馈，打磨论文内容、优化 PPT 展示，确保答辩过程流畅、论点清晰，充分展示研究成果。

四、预期成果（效果）

学术成果：产出一篇不少于 1.2 万字的毕业论文，详细综述深度学习视频去噪领域研究现状，精准剖析轻量级模型发展瓶颈与突破点，论文争取发表于本专业相关的省级及以上学术期刊，提升个人学术影响力。

技术成果：成功优化一款轻量级视频去噪模型，使其参数量相比原热门模型降低 30% - 50%，在公开数据集上 PSNR 指标提升 2 - 3dB，推理速度加快 2 - 3 倍，能在普通笔记本电脑上实现老旧视频实时或近实时去噪处理。

应用成果：制作演示视频，展示改进模型处理前后老旧视频音像质量提升效果，与相关视频修复企业、多媒体工作室合作，将模型嵌入简易软件原型，开展小规模试用，收集用户反馈，为模型商业化应用积累经验。

主要参考文献：

1. Yu J ,Zhao J ,Sun C , et al. A dual deep learning approach for winter temperature prediction in solar greenhouses in Northern China [J]. Computers and Electronics in Agriculture, 2025, 229 109807-109807.
2. C. S ,R. J ,M. A V , et al. Deep learning image burst stacking to reconstruct high-resolution ground-based solar observations [J]. Astronomy & Astrophysics, 2025, 693
3. 刘明珠,郑云非,樊金斐,等. 基于深度学习法的视频文本区域定位与识别 [J]. 哈尔滨理工大学学报, 2016, 21 (06): 61-66.
4. 李子晗,邵笑,张佩云. 基于细节还原卷积神经网络的压缩视频质量增强技术研究 [J]. 南京信息工程大学学报(自然科学版), 2023, 15 (03): 274-285.
5. 孙璐. 基于深度先验学习的视频去噪方法[D]. 西安电子科技大学, 2023. 
6. 谢明洁. 基于深度学习的辐射干扰噪声视频图像去噪方法及应用研究[D]. 浙江大学, 2023. 
7. 邱新秀. 基于细节引导与多阶段帧融合的视频去噪方法研究[D]. 北京交通大学, 2023. 
8. 王一雄. 基于深度学习的视频去雾算法研究[D]. 中北大学, 2024. 
9. 陈恒. 基于光流和多尺度特征融合的视频去噪算法研究[D]. 河北经贸大学, 2024. 
10. 秦嘉豪. 弱光成像技术中的噪声建模算法和视频去噪算法[D]. 中北大学, 2024.

毕业设计（论文）进度安排：

序号

毕业设计（论文）各阶段内容

时间安排

备注

指导教师意见：

填写说明：查阅资料是否全面，提出的研究方案和计划进度是否可行，还有什么需要注意和改进的方面，是否同意按学生提出的计划进行等。（填写后请删除该说明）