基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。

Aug, 2023

使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

May, 2018

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

该文提出了一种基于生成对抗网络的联合去马赛克和去噪方法，通过感知优化保证恢复图像的视觉质量，其结果在客观和主观质量指标上表现出优于现有先进技术的结果，且有可比性的计算成本。

Feb, 2018

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

该研究提出了一种生成高度仿真的实际噪声图像的方法，为深度学习去噪提供了更加真实的数据集，克服了过去需要大量真实噪声 - 干净图像对来进行监督的限制。该方法使用噪声模型进行噪声分布对齐和图像对齐，并通过 Pixel-level 噪声感知生成对抗网络（PNGAN）进行像素级别的噪声域对齐，实现了高质量的去噪效果。

Apr, 2022

本文使用卷积神经网络对图像去噪，并将其与各种高级任务联合处理，使用联合损失更新去噪网络，证明了同时利用图像语义进行图像去噪及高级视觉任务的益处。

Jun, 2017

本篇研究提出了 GAN2GAN 方法，利用生成式模型生成噪声数据和初始的粗略干净图像估计，并使用由生成式模型合成的噪声图像对去噪器进行迭代训练，结果显示该方法在盲去噪问题上达到了非常好的性能，甚至超越了标准判别式训练或 N2N 训练模型的性能。

May, 2019

本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

Aug, 2020

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