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

该论文提出了针对广泛问题的 Stein 无偏风险估计方法，扩展了 SURE 设计技术，并建议了一种基于正则化 SURE 目标的小波去噪策略，可以改善均方误差性能。

Apr, 2008

通过综合运用各种技术，包括模型正则化、分类器和优化等，本研究改进了深度神经网络的不确定性估计技术，提高了其对图像分类任务的准确性，并通过与其他模型的对比实验证明了其在现实世界挑战中的稳健性。

Mar, 2024

该研究提出了一种新的训练技术，基于受损数据训练扩散模型并引入 GSURE 损失函数。研究表明，在一定条件下，GSURE 损失函数相当于完全监督扩散模型中使用的训练目标，并可实现与完全监督模型相当的生成性能。

May, 2023

我们提出了 C-SURE，这是一种新的 Stein 偏置风险估计器，用于复值数据的流型，并将其融入了卷积神经网络分类器的原型中，在复值 MSTAR 和 RadioML 数据集上表现比 SurReal 更准确和稳健

Jun, 2020

本文通过算法展开的角度重新审视了递归最小二乘（RLS）和等变自适应源分离（EASI）这两种著名的自适应滤波算法在源估计和分离方面的应用。基于算法展开方法，我们引入了新颖的基于任务的深度学习框架，称为 Deep RLS 和 Deep EASI。这些架构将原始算法的迭代转换为深度神经网络的层，从而通过利用训练过程实现了有效的源信号估计。为了进一步提高性能，我们提出使用基于 Stein 无偏风险估计器（SURE）的损失函数来训练这些深度展开网络。我们的实证评估证明了这种基于 SURE 的方法在改进源信号估计方面的有效性。

Jul, 2023

本文提出了一种使用 Stein 无偏风险估计（SURE）和弱梯度（SUGAR）来优化模型连续参数集合的方法，旨在解决使用非平滑正则化（如软阈值）时，SURE 成为参数的不连续函数而不能使用渐变下降优化技术的问题。同时，本文还给出了 SUGAR 应用于正则化问题的实例研究。

May, 2014

本文提出了一种称为 “稳健等变成像”（REI）的框架，利用 Stein 的无偏风险估计器（SURE）实现对噪声具有鲁棒性的全面无人监督训练，从而在对抗噪声的情况下提高了线性和非线性反问题的性能表现，为深度网络的稳健无人监督成像铺平了道路。

Nov, 2021

本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

May, 2023

该论文研究了使用弱监督学习中的无偏风险估计器训练分类器的问题，解决了由于深度神经网络等模型的复杂性导致 URE 过度拟合的问题，并提出了一种新的 SCL 框架来降低方差和改善 URE 方法，从而实现了用更少的偏差换取更少的方差。

Jul, 2020