如果你曾经训练过去噪网络，一定遇到过这个看似不起眼的选择：损失函数里，是让网络直接预测干净信号，还是预测噪声？绝大多数人想都不想就选了预测干净信号——这似乎最自然，但真实情况是，这个不经意的选择，可能让你的模型白白浪费一半性能，甚至在完全相同的架构下，把收敛速度拖慢数倍，更反直觉的是，在某些网络上表现惊艳的目标，换一个架构反而会成为灾难。

本文把3种主流去噪架构和扩散模型掰开揉碎，反复切换预测目标，最终发现一条简洁而有力的规律：不是目标本身难不难，而是你的网络结构“吃不吃得下”这种目标，可以把它叫作“结构–容量匹配”，搞懂这一点，比盲目堆层数、调学习率要管用的多。

01 | 同一个去噪任务，2条截然相反的优化路径

想象你面前有一张被水浸透的字画，你可以做2件事：

方案A：直接画出干净的原画，这需要你对原作的笔触、构图有极强的重建能力。

方案B：只把水渍描出来，再从湿画里减去水渍，任务简单许多，因为水渍的纹理通常更随机。

对应到网络训练，方案A的监督目标是纯净信号，方案B的目标是残差噪声，噪声往往接近白噪声或粉红噪声，频谱结构简单；纯净信号则充满精细的波形起伏，直觉上，学噪声更快，但实验发现：有的架构死活学不好噪声，却能把纯净信号恢复的漂漂亮亮，这打破了“噪声预测一定更容易”的假设。

背后的原因，就是网络的归纳偏置和目标的统计特性是否“对上眼”。

02 | 结构压缩与目标统计特性的隐秘联姻

我们把架构看成一种“信息压缩器”，以类ViT的JiT架构为例，它把信号切成固定小块，再用线性投影映射到隐空间，这个过程天然像低通滤波：块内高频细节被抹平，保留下来的主要是低频包络，如果此时你让网络预测纯净信号，就等于逼着它在被压缩的表征里重建高频波形——这明显超出了能力范围，奇怪的是让它预测噪声反而更差，因为噪声的高频残差正是被压缩丢掉的那部分。

但故事到这儿还没完，当换成粉红噪声（低频能量更强），JiT预测噪声的性能突然回升，因为粉红噪声的频谱分布，恰好与分块压缩的特性相容，这就揭示了第1条匹配规律：压缩偏向低频的结构，更适合统计能量同样集中在低频的目标。

相比之下，深度卷积网络DnCNN简直是为“噪声预测”而生的，它的逐层堆叠不断增大感受野，隐式学习一个残差映射。网络的输出天然适合表示“输入和干净信号的差异”，实验结果毫不意外：DnCNN在噪声预测模式下，输出信噪比提升显著高于预测纯净信号，而且收敛快的惊人，白噪声、粉红噪声通吃。

U-Net又是另一番景象，它用下采样提取深层特征，再用上采样配合跳连恢复细节，相当于同时保留高频残差和低频结构2条通路，因此,U-Net成了唯一对两种预测目标都极其稳定的架构，如果你不想纠结，拿U-Net开箱即用最安全，代价只是参数稍多、推理略慢。

03 | 扩散模型里的“灵魂二选一”：预测x₀还是ε？

DDPM训练时同样要站队：让模型预测原始信号x₀，还是预测添加的高斯噪声ε？理论上这2个可以互相转换，但训练和采样的表现天差地别。

预测x₀，要求模型在每一步从极度含噪的状态中推测干净信号，相当于在每个扩散步上都学习一个“最优去噪方向”，这可以让音乐、语音这类强周期信号保留谐波结构，听感更自然。预测ε，则让模型专注估计当前的噪声分量，对非平稳瞬态信号（如地震波、振动信号）更友好，且对噪声强度变化更鲁棒。

实用建议只有一句话：先算一下信号的功率谱平坦度，频谱越接近白噪声，选ε预测；能量越集中在低频，选x₀预测，这套启发式规则，已经在多种数据集上得到验证，可以直接当作扩散模型的设计起点。

04 | 容量压缩实验：给“匹配假说”上压力测试

为了验证结构–容量匹配不是巧合，设计了直观的压力测试，拿JiT动刀：

Token压缩： 改变分块大小，小块保留更多时间细节，适合预测纯净信号；大块把噪声在块内平均得更简单，反而降低了噪声预测的难度。

隐层压缩： 削减隐空间维度，强制丢弃次要结构，结果和Token实验一致：低维空间对纯净信号重建极不友好，对噪声预测影响却微乎其微。

两刀切下去，规律异常清晰：压缩得越狠，预测目标就该越“简单”；保留细节越丰富，才越能驾驭复杂的纯净信号重建， 这不只是经验，而是可以直接指导你调分块大小和隐维度的设计原则。

05 | 最后的提醒：不要只盯着SOTA表

提出方法不会在某个榜单上刷出惊天动地的数字——加几层、换更大的模型也许还能再提零点几个dB，但提供的是一把“做对选择”的钥匙：

分块压缩类架构（JiT / 1D ViT） → 优先噪声预测，或挑低频噪声场景。

深层残差卷积（DnCNN） → 噪声预测是天然最优解，别犹豫。

U-Net → 两种目标通吃，稳健的基线首选。

扩散模型 → 算一下频谱平坦度，x₀和ε对症下药。

跳出“默认预测纯净信号”的惯性，看懂你的网络能压缩什么、该预测什么——这种认知升级带来的收益，远比盲调超参更持久、更可迁移。

参考文章:

别再瞎猜了：去噪网络到底该学“信号”还是学“噪声”？一维信号去噪中的结构–容量匹配和预测目标优选

如果你对信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测有疑问，或者需要论文思路上的建议，欢迎学术咨询

工学博士，《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测