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
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
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
提出了一种基于噪声条件流模型（NCSR）的超分辨率算法，通过噪声条件层，增加了图像的视觉质量和多样性，并且解决了正则化流模型中存在的数据分布不匹配问题。实验证明，NCSR在多样性和视觉质量方面均优于基线和传统GAN模型，并在NTIRE 2021挑战中取得了最佳成绩。
Jun, 2021
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
提出了一种基于归一化流的sRGB域噪声模型，能够学习不同ISO级别下sRGB图像中的复杂噪声分布，相比其他模型在噪声建模和合成任务中表现出了较大的优势，并且表明使用该模型合成噪声图像进行训练的图像去噪器优于使用基线模型去噪训练的去噪器。
Jun, 2022
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。
采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对sRGB噪声的更准确建模和合成。
Dec, 2023
自主机器必须自我维持适当功能以确保人类和自身的安全，本研究主要研究了一个实时、内存高效和可靠的噪声源估计器，结合了数据和物理模型，用于检测相机的噪声源，通过分析相机元数据和图像来量化噪声的贡献。
Apr, 2024
通过突出噪声和图像先验之间的明显区别，提出了一种基于条件优化框架的新的去噪方法。通过引入局部噪声先验估计算法和条件化自注意机制，该方法在合成和真实数据集上展示出优于现有方法的性能。
Jul, 2024