本文提出了一种使用 Pixel-shuffle Down-sampling 策略的新方法，该方法通过训练一个深度模型（由噪声估计器和去噪器组成）使用混合的 AWGN 和 RVIN 数据，从而提高使用合成独立像素噪声数据训练的实际图像去噪器返回结果的效果和泛化性能，并在 DND 基准测试的实际 sRGB 图像中取得了最先进的性能。

Apr, 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

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

通过模拟噪声的成像过程并将其应用于合成训练数据，评估了 3D 相机捕获数据中噪声的影响。通过构建特定场景的数据集，模型了侧向噪声（影响图像平面上捕获点的位置）和轴向噪声（影响垂直于图像平面的轴上的位置）。通过对渲染数据进行实验来评估添加人工噪声的附加益处，训练了一系列不同噪声水平的神经网络，并测量其在真实数据上的泛化能力。结果表明，使用过少或过多的噪声会损害网络性能，这表明从真实扫描仪获取噪声模型对于合成数据生成是有益的。

Feb, 2024

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

本论文提出了一种基于数据驱动的方法来学习真实世界的噪声模型，该模型是相机感知的，可以学习不同摄像头传感器的不同噪声特性，实验证明这种方法优于现有的统计噪声模型和基于学习的方法。

Aug, 2020

该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

May, 2023

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

提出一种基于 CMOS 光电传感器特性的高精度噪声形成模型，并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力，并应用于覆盖多个品牌数码相机的新低光噪声数据集中，获得了显著的降噪效果。

Mar, 2020

通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在 Darmstadt 噪声数据集上具有 14％-38％更低的误差率，并且是先前技术的 9 倍 - 18 倍更快，同时可以概括到该数据集之外的传感器。

Nov, 2018