研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

Oct, 2018

本文介绍一种新的、高效的方法，将视频自相似性输入到 CNN 中，并以此来完成视频去噪。此方法可以在三维时空中搜索图像块，实现图像和视频去噪的顶尖效果。

Nov, 2018

该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文提出了一种称之为概率非局部均值（PNLM）的图像去噪方法，利用新的概率权重函数，成功地改进了 NLM 算法并取得了良好的性能，尤其在峰值信噪比和结构相似性指数方面表现卓越。

Feb, 2013

通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

Mar, 2024

提出了 Monte Carlo 非局部均值（MCNLM）算法，该算法随机选择图像补丁距离的子集以加速经典的 NLM 滤波算法，并通过优化设计的样本模式导出蒙特卡罗方法的随机结果，使 MCNLM 在图像处理领域变得竞争性。

Dec, 2013

本文提出了一种简单的最近邻方法，可以从 “不完整” 的信号（如低分辨率图像、表面法线图或边缘）中合成高频逼真的图像。通过将卷积神经网络和最邻近法相结合，可以解决模式崩溃问题和输出可控性。

Aug, 2017

本文尝试将 Bayes 方法推广到流形值图像的去噪上，并基于最小均方误差估计重新解释 Lebrun 等人提出的 Bayes 方法，并提出非局部基于图块的方法来恢复流形值图像。

Jul, 2016

本文提出了一种名为 Neighbor2Neighbor 的简单而有效的方法，利用自监督学习中的随机邻居子采样器在只有噪声图像的情况下训练图像降噪模型，并在理论和实验验证中证明了其有效性。

Jan, 2021

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