本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法，通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵，每个组采用 DtNFM 模型来估计其去噪版本，提供了处理复杂噪声分布的足够灵活性，并通过 ADMM 框架最小化问题。

Jul, 2023

该论文提出了一种基于四元数的加权核范数最小化和加权谱范数最小化方法来解决彩色图像恢复问题，并通过实验证明该方法在彩色图像去噪和去模糊等任务上表现优秀，同时也对该方法进行了理论收敛性分析。

Jul, 2023

本研究提出了一种更灵活的模型，称为加权 Schatten p - 范数最小化，用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近，并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题（如图像去噪和背景减法）方面，相对于现有方法，可以更有效地去除噪声，对复杂和动态场景进行建模。

Dec, 2015

本文提出了一种通过非凸加权 Lp 核范数极小化方法进行图像恢复的新方法，以更准确地同时强制执行图像结构稀疏性和自相似性，并采用交替方向乘子法（ADMM）求解相关的非凸极小化问题，实验结果表明，该方法在目标和感知质量方面均优于目前许多最先进的方法。

Apr, 2017

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

本文提出了一种基于群体图核范数和学习图的深度图像去噪算法，通过分组来挖掘图像内在低秩特性，在去噪过程中加入了拓扑结构来表达平滑先验。实验结果表明，该方法在主客观指标上均优于当前的其他去噪方法。

Aug, 2020

RGB 空间中的噪声去除仍然是一个具有挑战性的任务，因为现实世界图像的噪声统计数据在红、绿和蓝通道上可能存在差异。本文提出了一种简单有效的基于绿色通道优先（GCP）的图像去噪方法，目的是在 sRGB 空间中利用 GCP 将其集成到经典的非本地变换域去噪框架中。实验结果表明，该方法在彩色图像和视频去噪任务中具有竞争力的性能。

Feb, 2024

本研究比较了超过 60 种图像去噪方法，其中 BM3D 方法在各种去噪任务中展现出了有效性和高效性，同时发现多种 DNN 模型能够在对抗真实数据的去噪任务中展现出最优的性能。该研究还引入了一个新的彩色图像和视频数据集用于基准测试。

Nov, 2020

我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

Feb, 2024

本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

Nov, 2016