利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

Jul, 2023

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

本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

Aug, 2020

该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

Mar, 2022

本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

Feb, 2020

提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

Apr, 2023

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

提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。

Jan, 2019

深度学习为图像去噪技术带来了革命性的转变，本文聚焦于自监督图像去噪方法，对最新的方法进行了全面的分析和分类，并提供了理论分析和实际应用，同时讨论了这些方法的局限性并提出了未来研究的方向。

Aug, 2023

本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。

Jul, 2023