本文提出了使用卷积神经网络进行图像去噪和利用深度学习同时处理图像去噪和高级视觉任务的解决方案，并进行了实验验证。

Sep, 2018

本文提出了一种新的深度学习架构，应用场景为联合图像清晰化和去噪。与基于深度学习的现有方法相比，该网络需要较少的可训练参数，具有更为透明和清晰的解释能力，在噪声和非噪声数据上均优于其他方法并具有良好的泛化能力。

Mar, 2018

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

本研究提出了一种基于深度自编码器和多模态学习启发的、用于手写图像的视觉恢复和识别联合框架，采用三通道深度结构，通过非线性映射将视觉恢复和分类统一使用共享表示。在 MNIST 数据和 USPS 数据上测试，本框架在分类上的表现比分离流程至少提高了 20%，且图像恢复更清晰。

Dec, 2016

本文提出了一种集成多尺度去噪器的新方法，用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性，采用对比学习的方式来提高网络区分噪声与高频信号的能力，实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

Feb, 2024

本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

Jul, 2020

本文提出了一种通用的 DualCNN 卷积神经网络，用于解决低级别视觉问题，如超分辨率、边缘保留滤波、降雨和去雾。DualCNN 由两个并行的分支组成，分别恢复结构和细节，是低级别视觉任务的一种灵活的框架，可以轻松地集成到现有的 CNN 中。实验结果表明，DualCNN 可以有效地应用于许多低级别视觉任务，在性能方面优于现有的方法。

May, 2018

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

本文提出了一种新的既刻画又透明的迭代优化算法，通过联合去噪和去马赛克的方式，能够高效地处理数字相机图像的质量提升问题，相较于现有的无规则数据驱动算法，能够用更少的可训练参数快速训练，效果显著。

Jul, 2018