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

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

本文中，作者提出了一种使用图卷积层的卷积神经网络，以利用局部和非局部相似性以实现去噪任务，并取得了比传统卷积神经网络更好的效果。

May, 2019

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

本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构，该架构创建具有非局部感受野的神经元，从而利用网络的强大表示学习能力来发现自相似模式，并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。

Jul, 2019

我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

Nov, 2017

本文提出了一种结合 NSS 先验和 CNN 的块匹配卷积神经网络（BMCNN）方法，该方法可以恢复重复和不规则结构的图像去噪，并在实验结果上达到了最先进的性能。

Apr, 2017

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

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

本文研究了前馈降噪卷积神经网络（DnCNN）的构建，引入残差学习和批归一化技术，进一步提高图像降噪性能，并实现了单一模型处理多种图像降噪任务，如高斯降噪、单张超分辨率和 JPEG 图像去块等。实验表明，基于 GPU 计算的 DnCNN 模型不仅在多种图像降噪任务中表现出高效性，而且能够高效地实施。

Aug, 2016