本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

Jul, 2017

本文提出在训练编解码器时明确地学习图像去噪任务，通过监督编解码器的噪声 - 干净图像对，得出训练多种噪声水平图像组成的混合模型效果最佳，能在压缩、去噪任务中优于一组去噪 - 压缩模型。

Jul, 2023

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

该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。

Sep, 2014

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

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

本文研究了 CMOS 图像传感器成像管线中的噪声统计，并制定了一种全面的噪声模型，以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据，并在多个低光照度去噪数据集上进行的实验表明，使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。

Aug, 2021

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