利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。

May, 2016

本文研究了利用非参数密度估计技术重构有连续值分量且被已知的无记忆信道损坏的离散时间信号的问题，并提出了一系列去噪器，可以在具备温和正则条件的情况下，在大信号长度极限下实现通用最优性。

Jul, 2008

本文提出一种基于 Stein's unbiased risk estimator（SURE）的方法，从含有高斯噪声的图像数据中训练深度学习去噪网络，在没有无噪声图像的情况下使用 SURE 方法，使得网络的性能接近于使用有噪声图像的有监督学习方法，同时使用 SURE 方法进行快速后处理可以进一步提高性能。

Mar, 2018

本文从极小极大风险优化的角度解决了在教授像图像降噪这样的任务时，如何分配训练样本中的噪声程度，推导了确定最佳样本分布的双重上升算法，并讨论了如何在实践中实现该算法，验证了算法在线性估计器和深度神经网络上的有效性。

May, 2020

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

本文研究探讨神经网络中过拟合和标签错误对泛化能力的影响，提出了一种基于因果推理的数据去噪方法，通过模拟有误标签数据在真实数据集上的损失分布，并剔除高于该分布分位数的样本，实现在无需额外计算代价的情况下提高数据处理质量。

Mar, 2020

通过自适应采样 / 主动学习策略，在高维度下扩展了通用降噪网络的训练方法，并将真实的规范损失景观进行多项式逼近，从而实现几乎两个数量级的训练时间缩短。我们在模拟的联合 Poisson-Gaussian-Speckle 噪声上进行了测试，并证明了使用我们提出的训练策略，在大范围的工作条件下，单个盲目的通用降噪器网络可以在专业降噪器网络的均匀界限内实现峰值信噪比。我们还使用具有不同数量的联合 Poisson-Gaussian-Speckle 噪声的小型图像数据集进行实验，并证明了使用我们的自适应采样策略进行训练的通用降噪器优于均匀训练的基准模型。

Oct, 2023

本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

S-DUDE 是一种适用于去噪 DMC 受损数据的算法，该算法可通过滑动窗口降噪器来最小化整体损失，并通过动态规划实现高效运算，表现优异且适用于个体序列或分段稳定数据流

Aug, 2007

通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

May, 2018