当前基于CNN的图像去噪方法取得很大进展，但是 Traditional CNN can use only the features in local fixed-location neighborhoods, these methods result in oversmoothing artifacts and some details are lost. 此外，receptive field of a traditional CNN is relatively small.
为了解决这个问题，作者提出了spatial-adaptive denoising network （SADNet），总体架构如下图所示。首先使用一个卷积层得到 initial features，然后这些特征输入 multiscale encoder-decoder 网络中。在 encoder 中，使用 ResBlock 特征特征（去掉了 BN，使用 LeakyReLU）。在 decoder 中，设计了 residual spatial-adaptive block (RSAB) ，可以实现 sample and weight the related features to remove noise and reconstruct the textures.
RSAB模块如下图所示，是一个集成了 deformable convolution 的模块。
Context block： 作者指出，多尺度信息对于图像去噪任务来说非常关键，因此，当前方法多使用 downsampling 技术。但是，下采样过程中，图像结构被破坏了，不利于特征重建。为了增大感受野与获取多尺度信息的同时，又不破坏空间分辨率，作者引入了 context block，结构如下图所示。作者也指出，该模块已经在图像分割、去模糊中成功应用。该模块使用几个 dilated convolution with different dilation rates，这样可以在不增加参数以及破坏图像结构的前提下增大感受野。