介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案，可以不需要嘈杂和干净的图像对，而是直接使用被降噪的数据进 行训练，特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比，N2V 的降噪效果较为相当。

Nov, 2018

提出了一种 Clean-to-Noisy 的图像生成框架，用以模拟真实复杂的噪声分布，并训练图像去噪模型以优于现有的无监督学习方法。

Feb, 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

本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。

Jul, 2020

该研究提出了一种生成高度仿真的实际噪声图像的方法，为深度学习去噪提供了更加真实的数据集，克服了过去需要大量真实噪声 - 干净图像对来进行监督的限制。该方法使用噪声模型进行噪声分布对齐和图像对齐，并通过 Pixel-level 噪声感知生成对抗网络（PNGAN）进行像素级别的噪声域对齐，实现了高质量的去噪效果。

Apr, 2022

提出了一种名为 NR-GANs 的生成对抗网络，它可以在训练图像受到干扰的情况下学习到更好的图像生成器，并且可以应用于图像降噪。该论文还引入了约束条件来鼓励噪声生成器仅抓住噪声的特定组成部分，并在三个基准数据集中展示了其有效性。

Nov, 2019

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

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

提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

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