本文提出了一种基于卷积神经网络架构的最新视频去噪算法，该算法在处理效率和性能等方面均优于其他算法。

Jun, 2019

提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。

Oct, 2017

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

本文提出了一种无监督的深度学习视频去噪方法 UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。

Nov, 2020

该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。

Apr, 2019

该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

Apr, 2024

本文介绍了实时可控降噪 (RCD) 的方法，该方法使用轻量级模块将最后输出单噪声映射的 CNN 模型替换为输出多个噪声映射的模块，并通过噪声去相关处理使得任意降噪水平可通过噪声映射插值进行控制。该方法不需要网络推断，可以在不牺牲原始性能的情况下对各种现有的大型模型进行实时可编辑的图像和视频降噪操作。

Mar, 2023

本文介绍了一种基于神经网络的 3D 点云去噪架构，使用深度学习技术进行去噪，将超过 40000 个采样点的 3D 数据进行网络训练，使用 350 个数据集进行测试，结果表明该算法具有更好的去噪性能和更小的方差。

Apr, 2019

本研究提出了一种基于预训练 AWGN 降噪网络的全盲视频降噪方法，采用一种新颖的帧对帧训练策略，实现了离线和在线两个版本。我们的降噪器可以在不知道视频来源的情况下使用，并达到了标准高斯噪声的最先进性能。在线过程仅需要几个帧即可实现广泛範围的扰动的令人满意的结果，同时在离线情况下性能更好。

Nov, 2018

本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

Apr, 2019