Noise2Same: 优化自监督约束用于图像去噪
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
本研究提出一种名为Noise2Score的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。
Jun, 2021
该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。
Nov, 2021
提出了一种基于循环多变量函数模块和自监督图像解缠 (CVF-SID) 框架的自监督去噪方法，可用于应对实际场景中的噪声问题。实验表明，CVF-SID 可在真实数据集上实现最先进的自监督去噪性能并与其他现有方法相当。
Mar, 2022
探究自监督训练方法的样本复杂度，发现模型的性能会随着训练样本数量增加而提高，证明采用自监督训练方法所需样本较多，但与监督训练方法优化模型的性能差距会随着样本数量增加而逐渐缩小。
May, 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
深度学习为图像去噪技术带来了革命性的转变，本文聚焦于自监督图像去噪方法，对最新的方法进行了全面的分析和分类，并提供了理论分析和实际应用，同时讨论了这些方法的局限性并提出了未来研究的方向。
Aug, 2023
基于深度学习的去噪器是图像去噪领域最近发展的焦点，本文提出了一种基于追踪约束损失函数和LoTA-N2N模型的方法来弥合无监督学习和监督学习之间的差距，并在自然图像和共焦图像数据集上取得了最新的零样本自我监督图像去噪方法的优秀表现，无需依赖于任何对噪声的假设。
Mar, 2024
本文通过理论分析和数值实验深入分析了使用变性数据的自监督降噪算法，讨论了该算法在优化问题的种群风险上找到期望解的同时，经验风险的保证则取决于变性水平对降噪任务的难度。实验结果表明，使用变性图像进行训练的算法起作用，并且经验性能与理论结果相一致，为今后使用变性数据进行自监督图像降噪的进一步改进提供了一些见解。
May, 2024