本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

本论文提出了训练神经网络进行图像去噪的方法，该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型，并适用于各种噪声模型，包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当，且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导，对于特定的高斯加性噪声的改进，以及对于乘性伯努利噪声的扩展。

Oct, 2019

利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

Jan, 2019

该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

Jun, 2022

该研究使用不同的噪声过程生成图像，并将其用作视觉表示学习者的训练数据。通过使用对比损失，研究两种类型的噪声过程，发现噪声需要捕捉真实数据的某些结构性质，但即使与真实数据差异很大的过程也可以实现良好的性能。多样性是学习良好表示的关键属性。

Jun, 2021

介绍了一种基于扩散的框架，可以使用高度损坏的样本学习未知分布，通过在扩散过程中引入附加的测量损坏，并要求模型从进一步损坏的图像中预测原始损坏的图像，来学习完整未损坏图像的条件期望。

May, 2023

提出了一种使用 Deep Image Prior 方法重建受损图片，不需要预先训练网络或者照片数据库，比传统的单图片方法表现更好。

Apr, 2020

该研究论文证明，通过对图像识别模型进行简单但适当的高斯噪声和斑点噪声训练，可以使其具有更好的泛化能力和对不同类型损坏更强的鲁棒性，并结合敌对训练方法进一步提高性能。

Jan, 2020

本文提出了一种用于培训自我监督去噪网络的新策略，即 “Noisy-As-Clean”(NAC) 策略，该策略可绕过训练和测试图像之间存在的领域差距问题，并展示了该策略能够达到比原始网络更好的去噪性能。

Jun, 2019

本文研究了扩散模型学习以优化对应丢失函数的加权和（去噪得分匹配损失）来恢复不同噪声水平的嘈杂数据，并提出了恢复受特定噪声水平损坏的数据作为学习丰富视觉概念的适当预先任务的方法，通过重新设计目标函数的加权方案，在训练过程中优先考虑这些噪声水平，我们证明了我们简单的加权方案重构可以显著提高扩散模型的性能。

Apr, 2022