本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法，可用于单一噪声图像的去噪。通过与噪声的合适描述相结合，可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法，应用于公开的显微镜数据集，其表现和有监督的现有方法相当。

Jun, 2019

该论文介绍了一种基于深度学习的图像去噪方法，将 PN2V 方法转化为完全无监督的方法，并且展示了新的方法将直方图噪音模型替换为参数噪音模型，即使没有校准数据，也可以创建适合的噪音模型。

Nov, 2019

本篇研究提出了 GAN2GAN 方法，利用生成式模型生成噪声数据和初始的粗略干净图像估计，并使用由生成式模型合成的噪声图像对去噪器进行迭代训练，结果显示该方法在盲去噪问题上达到了非常好的性能，甚至超越了标准判别式训练或 N2N 训练模型的性能。

May, 2019

本研究提出了两种改进的方法来减少 N2V 中产生的不良伪影，并通过测试表明，这两种方法可以推进图像去噪领域的全面自我监督技术的发展。

Nov, 2022

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

本研究提出一种名为 Noise2Score 的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。

Jun, 2021

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

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

利用深度卷积神经网络（CNN）开发了一种图像去噪方法：Noise2Inverse，可以应用于线性图像重建算法，无需任何额外的干净或噪声数据，通过利用噪声模型计算多个统计独立的重建来实现训练，该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法，能够显著降低噪声。

Jan, 2020

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