本文中，我们使用简单的多层感知器（MLP）应用于图像块来直接学习从嘈杂的图像到无噪声图像的映射，并通过训练大型图像数据库，我们能够超越当前最先进的图像降噪方法并获得优秀的成果，同时在其他类型的噪声方面也取得了出色的结果，此外，结合块匹配程序可以进一步提高性能。

Nov, 2012

通过卷积神经网络，我们提出了一种新的盲目图像降噪CNN架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

Aug, 2017

本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以Gaussian图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

Aug, 2017

我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

Nov, 2017

使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个$k$维码时，自编码器能将噪声能量减小到$O(k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到$O(k/n)$。

May, 2018

本文介绍了一种新的图像去噪算法——全卷积自适应图像去噪器(FC-AIDE)，它能够学习离线监督训练集的全卷积神经网络，以及针对每个给定的噪声图像进行自适应微调。我们利用全新的全卷积架构提高了基础监督模型，并引入正则化方法进行自适应微调，使其具有更强的适应能力，从而在各种基准数据集上均优于最近提出的基于CNN的最先进的去噪器，在各种具有挑战性的场景下表现出色，如处理不匹配的图像/噪声特征或缺乏监督训练数据等。

Jul, 2018

本篇研究提出了 GAN2GAN 方法，利用生成式模型生成噪声数据和初始的粗略干净图像估计，并使用由生成式模型合成的噪声图像对去噪器进行迭代训练，结果显示该方法在盲去噪问题上达到了非常好的性能，甚至超越了标准判别式训练或 N2N 训练模型的性能。

May, 2019

本论文提出了训练神经网络进行图像去噪的方法，该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型，并适用于各种噪声模型，包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当，且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导，对于特定的高斯加性噪声的改进，以及对于乘性伯努利噪声的扩展。

Oct, 2019

该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

Nov, 2021

本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估,我们实验的结果显示,除了DNN模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现,我们也讨论了现有技术的缺点和可能的扩展。

Apr, 2023