通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

May, 2018

本文提出了一种使用 Stein 无偏风险估计（SURE）和弱梯度（SUGAR）来优化模型连续参数集合的方法，旨在解决使用非平滑正则化（如软阈值）时，SURE 成为参数的不连续函数而不能使用渐变下降优化技术的问题。同时，本文还给出了 SUGAR 应用于正则化问题的实例研究。

May, 2014

我们提出了 C-SURE，这是一种新的 Stein 偏置风险估计器，用于复值数据的流型，并将其融入了卷积神经网络分类器的原型中，在复值 MSTAR 和 RadioML 数据集上表现比 SurReal 更准确和稳健

Jun, 2020

通过综合运用各种技术，包括模型正则化、分类器和优化等，本研究改进了深度神经网络的不确定性估计技术，提高了其对图像分类任务的准确性，并通过与其他模型的对比实验证明了其在现实世界挑战中的稳健性。

Mar, 2024

本文引入基于 Stein 无偏风险估计 (SURE) 的参数化去噪器到近似信息传递 (AMP) 框架中，提出新的参数化 SURE-AMP 算法，该算法在每个迭代中通过最小化 SURE 来适应性地优化去噪器，从而保证最佳的恢复和收敛速度，同时还演示了该算法的优越恢复和运行速度。

Aug, 2014

该研究提出了一种新的训练技术，基于受损数据训练扩散模型并引入 GSURE 损失函数。研究表明，在一定条件下，GSURE 损失函数相当于完全监督扩散模型中使用的训练目标，并可实现与完全监督模型相当的生成性能。

May, 2023

本文通过算法展开的角度重新审视了递归最小二乘（RLS）和等变自适应源分离（EASI）这两种著名的自适应滤波算法在源估计和分离方面的应用。基于算法展开方法，我们引入了新颖的基于任务的深度学习框架，称为 Deep RLS 和 Deep EASI。这些架构将原始算法的迭代转换为深度神经网络的层，从而通过利用训练过程实现了有效的源信号估计。为了进一步提高性能，我们提出使用基于 Stein 无偏风险估计器（SURE）的损失函数来训练这些深度展开网络。我们的实证评估证明了这种基于 SURE 的方法在改进源信号估计方面的有效性。

Jul, 2023

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

研究了降秩估计器在 Stein 的无偏风险估计中的自由度和模型选择问题，并提出了一种能够提高预测风险估计和模型选择精度的闭合形式估计器。

Oct, 2012

本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

May, 2023