本文介绍了基于稀疏表示的中心化字典学习（CDL）方法，并研究了其在天文图像去噪方面的表现，证明 CDL 方法在天文图像去噪方面胜过小波或传统字典学习去噪技术，并比较了这些不同算法对去噪图像光度的影响。

Apr, 2013

通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

Apr, 2018

本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。

Mar, 2022

本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

Dec, 2019

本研究提出了一种三边加权稀疏编码方案，用于从实际噪声的影响下提高图像去噪的效果，相比于之前的现有方法表现更为优异。

Jul, 2018

利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

Jan, 2019

通过使用分块匹配算法和相似度 / 不相似度测量，本研究在图像处理过程中，利用高斯噪声和图像大小减小的低通滤波器或域转换，并采用分阶段搜索技术通过相位操作符对图像进行编码。通过量子傅里叶变换和 Swap 测试对相位图像编码进行相似度度量，结果在理想和噪声模拟以及与 IBM 和 Ionq 量子设备进行 Swap 测试的情况下获得。

Sep, 2023

提出了一种高效的图像去模糊网络，利用选择性结构化状态空间模型来聚合丰富准确的特征，同时注重图像的局部细节以进行恢复，实验结果表明该方法在广泛使用的基准测试中优于现有方法，显示出其卓越的性能。

Mar, 2024

本文提出了一种使用 Pixel-shuffle Down-sampling 策略的新方法，该方法通过训练一个深度模型（由噪声估计器和去噪器组成）使用混合的 AWGN 和 RVIN 数据，从而提高使用合成独立像素噪声数据训练的实际图像去噪器返回结果的效果和泛化性能，并在 DND 基准测试的实际 sRGB 图像中取得了最先进的性能。

Apr, 2019

该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

Apr, 2024