利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。
提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。
Apr, 2023
利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。
Jul, 2023
该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。
Mar, 2022
本文提出了一种新的自监督去噪策略，并基于空画布上的迭代采样，导出了完整的生成模型，使用荧光显微镜数据集进行了数量和质量评估，优于监督、自监督和非监督基准模型。
本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。
Jan, 2017
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
通过自适应采样 / 主动学习策略，在高维度下扩展了通用降噪网络的训练方法，并将真实的规范损失景观进行多项式逼近，从而实现几乎两个数量级的训练时间缩短。我们在模拟的联合 Poisson-Gaussian-Speckle 噪声上进行了测试，并证明了使用我们提出的训练策略，在大范围的工作条件下，单个盲目的通用降噪器网络可以在专业降噪器网络的均匀界限内实现峰值信噪比。我们还使用具有不同数量的联合 Poisson-Gaussian-Speckle 噪声的小型图像数据集进行实验，并证明了使用我们的自适应采样策略进行训练的通用降噪器优于均匀训练的基准模型。
Oct, 2023
本文提出了一种基于全卷积神经网络的图像去噪方法，既简单又强大，可以应对不同噪声水平和分布（高斯和泊松），并且利用语义类信息实现了类感知。
Aug, 2018