本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

Apr, 2023

本文就基于块对角矩阵的波斯基级联以及本地主成分分析变换等方法提出了一个简单的变换 - 阈值 - 反演方法，该方法在处理多通道图像降噪方面具有高效性和竞争力，并在大量的实验中展示了稳健性和效果。

Feb, 2019

我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中 BM3D 是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的 “内部适应” 概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为 NL-Ridge 的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了 NL-Ridge 可以胜过成熟的最先进的单图像去噪算法。

Feb, 2024

本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

Jul, 2017

本文提出了一种结合 NSS 先验和 CNN 的块匹配卷积神经网络（BMCNN）方法，该方法可以恢复重复和不规则结构的图像去噪，并在实验结果上达到了最先进的性能。

Apr, 2017

本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

Nov, 2023

该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。

Sep, 2014

通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

Apr, 2018

本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法，通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵，每个组采用 DtNFM 模型来估计其去噪版本，提供了处理复杂噪声分布的足够灵活性，并通过 ADMM 框架最小化问题。

Jul, 2023

该研究论文介绍了 RGB-3D 多模态噪声异常检测的新方法 M3DM-NR，通过利用 CLIP 的强大多模态区分能力，提出了噪声抵抗型的框架，并通过阶段性的处理实现了训练样本的去噪，最终实现了 3D-RGB 多模态噪声异常检测与分割，超过了现有的方法。

Jun, 2024