本文证明，通过结合残差学习、skip architecture、对称权重初始化，可以在较短的时间内单步训练 8 层卷积神经网络(CNN)，并且相比较之前使用的小型网络和其他最先进方法，这种网络可以显著提供更好的JPEG压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于JPEG质量水平的泛化来认识 JPEG 去噪中的 CNN。

May, 2016

本论文中，我们重点关注了关于我们所提出的网络模型的两个问题：我们提出的层和反卷积层之间的关系，以及为什么低分辨率空间中的卷积是更好的选择。通过实验我们发现对于相同的速度，将所有卷积都放在低分辨率空间中，比先在高分辨率空间中插值再进行卷积的方法拥有更强的表示能力。

Sep, 2016

该研究提出了基于重构思想的像素反卷积层（PixelDCL），用于建立上采样后特征映射中相邻像素之间的直接关系，通过在语义分割和图像生成任务中的应用，可以有效地解决反卷积层存在的棋盘格问题，并提高图像分割的准确性。

May, 2017

本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN的架构以及如何解决学习问题等关键理论。

Oct, 2017

本文介绍了使用部分卷积方法进行图像修补，着重解决了现有方法中出现的颜色不匹配和模糊度高的问题，并通过实验证明了方法的有效性。

Apr, 2018

本论文提出了一种基于Subscale Pixel Network和Multidimensional Upscaling的方法，可用于生成高保真度的大规模图像，并在CelebAHQ和ImageNet的数据集上取得了最先进的结果。

Dec, 2018

卷积神经网络在图像生成、还原和修复中具有良好的性能，即使在没有训练数据的情况下，通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中，作者将这种现象归因于卷积网络的特定架构选择，即使用固定插值滤波器进行卷积，并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。

Oct, 2019

本研究提出了两种改进的方法来减少N2V中产生的不良伪影，并通过测试表明，这两种方法可以推进图像去噪领域的全面自我监督技术的发展。

Nov, 2022

本研究从频率角度分析了Deep Image Prior中未经学习的上采样是DIP去噪现象的主要驱动力，因此提出了一种无需耗时搜索即可估算出每张图像适当的网络结构的方法，实验结果表明，估算出的网络结构在去噪和保留纹理细节方面比当前方法使用更少的参数且效果更好，且因其欠参数化的性质，更能抵抗高噪声干扰。

Apr, 2023

本研究旨在验证Ye等人（2020年）提出的“网络解卷积”技术的有效性，该技术用于改进卷积神经网络中的模型训练表现。通过对367个独特实验进行分析，我们确认使用网络解卷积替代批量规范化可以提升深度学习模型的性能，并成功复制了原始研究中的主要结果。

Oct, 2024