核心要点
区分高斯噪声、椒盐噪声、泊松噪声
列举线性与非线性滤波
说明去噪与细节保留的权衡
知道深度去噪方法（DnCNN）
简要回答
图像去噪常用高斯滤波（平滑高斯噪声）、中值滤波（去椒盐）、双边滤波（保边去噪）、非局部均值 NLM 与 BM3D。选择取决于噪声模型；过度去噪会模糊边缘，影响后续 边缘检测 与识别。
标准回答
一、先给出结论和背景
- 噪声类型：- 高斯噪声：传感器电子噪声 → 线性平滑有效
- 椒盐噪声：随机黑白点 → 中值滤波
- 泊松/散粒噪声：光子计数，信号依赖型
- 经典方法：| 方法 | 特点 |
|------|------|
| 均值/高斯滤波 | 快，模糊边缘 |
| 中值滤波 | 去椒盐，保边较好 |
| 双边滤波 | 空间+强度加权，保边 |
| NLM | 利用非局部相似 patch |
| BM3D | 块匹配+变换域，质量高但慢 |
| 形态学开闭 | 椒盐、小斑点 |
二、拆开关键步骤和判断点
- 频域：低通滤波，但易振铃。
- 深度学习：DnCNN、Noise2Noise、扩散去噪，学习数据驱动先验。
三、补上落地边界和取舍
面试里可以补一个视觉任务例子：图像去噪有哪些常用技术 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
回答思路
【定义】用一句话说清「图像去噪有哪些常用技术」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：所有噪声都用高斯模糊；不去分噪声类型；忽视去噪对小目标检测的伤害。
追问
追问 1：双边滤波两个 sigma 含义？
sigmaSpace 控制空间邻域大小；sigmaColor 控制强度相似度权重。sigmaColor 大则更多混合，平滑更强。
追问 2：去噪放在增强前还是后？
通常先轻度去噪再增强/检测，避免增强放大噪声。极强去噪会抹掉小目标，检测 pipeline 可能跳过或减弱。
追问 3：RAW 域去噪优势？
在传感器 RAW 数据去噪可保留更多光子信息，优于 JPEG 后处理；手机计算摄影常用多帧对齐+RAW 融合。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
