本项目提出了一种基于U-Net架构的深度学习方法，专门设计用于去除图像中的伪影。该模型具备灵活的数据集适应性，能够根据用户提供的自定义数据进行训练和优化，显著提升图像质量与处理效果。
该算法能够实现深度学习去除图像中的伪影问题。Unet 于2015年发表，是全卷积网络（FCN）的一种变体。最初设计目的是为了解决生物医学图像的问题，由于其效果显著，后来也被广泛应用于各种语义分割领域，例如卫星图像分割和工业瑕疵检测等。
Unet 和 FCN 都采用了编码器-解码器的结构形式。这种架构简单且非常有效：编码器负责特征提取，并可以使用任何种类的特征提取网络；而解码器则用于恢复原始分辨率，在这一过程中，上采样（upsampling）和跳跃连接(skip-connection)是尤为关键的部分。
Unet 可以分为三个主要部分来看待，分别是左部（特征提取）、中部（拼接）以及右部（上采样）。在特征提取阶段，它是一个收缩网络结构。通过四个下采样的步骤使图像的尺寸减小，在这一过程中可以逐步获取到浅层信息。具体来说，输入一张572x572像素大小的图片，经过两个3x3卷积核以及一个ReLU激活函数后，图像是从572-570-568的变化过程；然后通过最大池化（Maxpool）操作将图像尺寸进一步缩小至284。这样的下采样步骤共重复四次。
在这一系列的特征提取过程中，每经过一次卷积和池化的组合都会使输入图片变小，并且可以抽取到更加抽象、深层的信息。
5星
