通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

Apr, 2018

该研究提出了使用真实噪声模型和真实的噪声-清晰图像对训练卷积盲去噪网络(CBDNet)来提高深度卷积神经网络去噪模型的泛化能力，并嵌入了噪声估计子网络，以提供一种交互式策略来纠正去噪结果，实验结果显示CBDNet在实际噪声照片的三个数据集上表现优异。

Jul, 2018

本文研究基于真实噪声模型的图像降噪方法，在相机管道中模拟真实的图像噪声和降噪，发现噪声模型对学习模型效果的提升有重要作用，通过模拟降噪和图片拼合进而提高噪声模型的真实度和效果。

Apr, 2019

本研究介绍了自然图像噪声数据集（NIND），用于训练盲目去噪模型，此数据集包括具有不同ISO噪声水平的DSLR式图像。我们展示了使用NIND训练的去噪模型，其在ISO噪声上显着优于BM3D，即使推广到来自不同类型的相机的图像也是如此。这个数据集是开放的，可以进行整理和贡献，并可用于未来的图像去噪应用。

Jun, 2019

本文提出了一种模拟相机成像管道的框架，使得可以生成更为真实的图像数据对于消噪任务进行训练，实验表明，基于该框架训练的模型在真实相机上具有目前最优异的消噪效果。

Mar, 2020

本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角，并提出了两种有效的技术：基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对SIDD和ELD数据集进行了系统实验，结果表明，该方法表现优于现有方法，对不同传感器和光照条件具有广泛的推广性，且DNN-based 噪声建模方法不能胜过基于物理统计方法。

Oct, 2021

该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

Nov, 2021

该研究提出了一种混合模型和数据驱动的ISP技术，实现了RAW和RGB域的双向映射和参数学习，通过基于字典的数据增强方法，在RAW图像重建和去噪任务中实现了最先进的性能。

Jan, 2022

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

本文针对图像恢复领域中，直接处理RAW图像的缺乏问题，提出了一种新的现实降解流水线，以训练深度盲RAW恢复模型。研究发现，通过考虑传感器噪声、运动模糊、相机抖动等常见降解，所训练的模型能够有效减少噪声和模糊，恢复不同摄像机捕获的RAW图像中的细节，具有重要的实际应用价值。

Sep, 2024