本文研究了利用非参数密度估计技术重构有连续值分量且被已知的无记忆信道损坏的离散时间信号的问题，并提出了一系列去噪器，可以在具备温和正则条件的情况下，在大信号长度极限下实现通用最优性。

Jul, 2008

通过最小化经验估计损失函数，从噪声受损数据中适应性地学习参数的神经网络 DUDE 的去噪损失限制类似于监督学习中标准经验风险最小化器（ERM）的泛化误差下限。我们表明其本质上也存在于去噪损失限制中，在所有有界的网络参数和所有基础干净序列上都能一致地保持其无偏估计损失集中于真实去噪损失，这是我们开发的关键工具。最后，我们证明了 Neural DUDE 的超参数可以从一个小的验证集中选择，以显著提高去噪性能。

Sep, 2017

利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。

May, 2016

本文提出了一种基于 DUDE-Seq 的新方法，用于纠正下一代定向扩增测序的基因序列中出现的替换和同源多聚物插入 / 缺失错误，结果表明该方法不仅在纠错能力和时间效率方面优于现有的替代方法，而且还提高了下游分析的可靠性。

Nov, 2015

提出了一种用于简化离散扩散的数学简化方案，同时还提出了一种能够精确和加速采样的简单公式，并通过创建一个统一的模型，简化离散扩散的前向和后向概率计算，取得了在现有数据集上优于其他方法的效果。

Feb, 2024

本文提出了一种新颖高效的 CNN 框架，结合 MD 模块和多分支 U 形结构，获得了与 Transformer-based methods 相当的全局上下文特征表征，用于图像去噪，实验结果表明模型 SUMD 可在各种数据集上产生可比较的视觉质量和准确性结果。

Apr, 2022

该研究提出了第一个完整的离散数据扩散模型去噪声的连续时间框架，使用连续时间马尔可夫链模型可以有效地训练模型，利用高维 CTMC 模拟技术和连续时间框架可导出高性能抽样器，超越了离散时间方法。此外，还得到了关于生成样本分布与真实数据分布之间误差的新理论结果。

May, 2022

本文提出一种基于 Stein's unbiased risk estimator（SURE）的方法，从含有高斯噪声的图像数据中训练深度学习去噪网络，在没有无噪声图像的情况下使用 SURE 方法，使得网络的性能接近于使用有噪声图像的有监督学习方法，同时使用 SURE 方法进行快速后处理可以进一步提高性能。

Mar, 2018

本文提出了一种无监督的深度学习视频去噪方法 UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。

Nov, 2020

本文研究探讨神经网络中过拟合和标签错误对泛化能力的影响，提出了一种基于因果推理的数据去噪方法，通过模拟有误标签数据在真实数据集上的损失分布，并剔除高于该分布分位数的样本，实现在无需额外计算代价的情况下提高数据处理质量。

Mar, 2020