通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

May, 2018

该论文提出了针对广泛问题的 Stein 无偏风险估计方法，扩展了 SURE 设计技术，并建议了一种基于正则化 SURE 目标的小波去噪策略，可以改善均方误差性能。

Apr, 2008

通过综合运用各种技术，包括模型正则化、分类器和优化等，本研究改进了深度神经网络的不确定性估计技术，提高了其对图像分类任务的准确性，并通过与其他模型的对比实验证明了其在现实世界挑战中的稳健性。

Mar, 2024

本文提出了一种使用 Stein 无偏风险估计（SURE）和弱梯度（SUGAR）来优化模型连续参数集合的方法，旨在解决使用非平滑正则化（如软阈值）时，SURE 成为参数的不连续函数而不能使用渐变下降优化技术的问题。同时，本文还给出了 SUGAR 应用于正则化问题的实例研究。

May, 2014

该研究提出了一种新的训练技术，基于受损数据训练扩散模型并引入 GSURE 损失函数。研究表明，在一定条件下，GSURE 损失函数相当于完全监督扩散模型中使用的训练目标，并可实现与完全监督模型相当的生成性能。

May, 2023

SURE-based MRI Reconstruction with Diffusion models (SMRD) enhances robustness during testing of diffusion models by performing test-time hyperparameter tuning using Stein's Unbiased Risk Estimator (SURE), achieving improved results on various measurement noise levels, acceleration factors, and anatomies.

Oct, 2023

本文提出一种基于 Stein's unbiased risk estimator（SURE）的方法，从含有高斯噪声的图像数据中训练深度学习去噪网络，在没有无噪声图像的情况下使用 SURE 方法，使得网络的性能接近于使用有噪声图像的有监督学习方法，同时使用 SURE 方法进行快速后处理可以进一步提高性能。

Mar, 2018

本文通过算法展开的角度重新审视了递归最小二乘（RLS）和等变自适应源分离（EASI）这两种著名的自适应滤波算法在源估计和分离方面的应用。基于算法展开方法，我们引入了新颖的基于任务的深度学习框架，称为 Deep RLS 和 Deep EASI。这些架构将原始算法的迭代转换为深度神经网络的层，从而通过利用训练过程实现了有效的源信号估计。为了进一步提高性能，我们提出使用基于 Stein 无偏风险估计器（SURE）的损失函数来训练这些深度展开网络。我们的实证评估证明了这种基于 SURE 的方法在改进源信号估计方面的有效性。

Jul, 2023

本研究针对遥感高光谱数据采集过程中存在的信号子空间识别问题，通过优化均方误差提出了一种基于 Stein's 无偏风险估计的方法，该方法简单自动且在模拟和真实高光谱数据集中均表现良好。

Jun, 2016

本研究提出了一种名为 ASDK 的技术，它自动识别非线性关联的深度内核中的显著过程变异参数，并作为替代模型来模拟昂贵的 SPICE 模拟，以解决现代大规模电路中不可避免的维度诅咒问题，并进一步提高器件产出率估计效率。该方法的实验结果表明，其精度和效率均优于目前的最先进方法，且速度提高了 10.3 倍。

Dec, 2022