随着半导体与微电子行业的发展,各种成像设备日益普及,图像成为信息传递的主要载体之一。作为计算机视觉的低层任务之一,图像去噪可以有效改善图像的主观视觉感受,提升下游任务的精度,因而具有重要意义。本文针对基于深度学习的图像去噪算法进行优化,引入额外信息并尝试新的学习范式,研究内容主要涵盖以下三个方面:1.在算法优化方面,提出了一种由多尺度特征聚合模块和自适应卷积模块构成的多尺度特征融合机制。其中,前者利用改进的多头注意力融合来自不同尺度下提取的特征,后者控制整个机制中各个层级信息,两者相互补充,使融合后的特征更为有效。2.在额外信息挖掘方面,提出了一个轻量化的空间注意力模块和多阶段频域加权损失函数。通过在RGB色域计算空间注意图引导局部细节恢复,得到多种不同去噪程度的中间结果,融合最终输出后经快速傅里叶变换计算加权频域损失,重点监督困难频率成分的重建过程,获得了较好的图像重建效果。3.在新的学习范式方面,提出了一种基于对比学习的图像去噪算法。通过在像素空间和高维隐空间同时计算对比损失,克服隐空间特征缺乏细节信息的问题。在像素空间中,使用网络早期的不完全去噪图像作为负样本,增强负样本提供的信息强度;在隐空间中,通过频域变换手段提取较难恢复的高频特征,经离线特征提取器计算对比损失,增强了网络的去噪能力。以上三个方面均不同程度提升了现有模型的去噪能力,在多个公开数据集上的实验结果验证了上述算法的有效性。