无监督深度视频降噪
提出了一种新颖的无监督网络来降噪显微镜视频，通过在底层卷积神经网络中整合时间信号滤波器，恢复被未知噪声类型破坏的显微镜视频。实验证实，该无监督模型在广泛的噪声场景中表现出色，尤其适用于显微镜视频。
Apr, 2024
本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。
Jul, 2023
该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。
Apr, 2019
介绍了一种基于卷积神经网络架构的视频去噪算法 FastDVDnet，该算法展现了比现有最佳基于 patch 的方法更快的运行时间和相似或更好的去噪效果，并可以通过使用单个网络模型来处理广泛的噪声水平。
Jul, 2019
利用 DNN 设计通用的离散去噪器（Neural DUDE），无需额外的训练数据，通过伪标签和新颖的目标函数实现无监督学习，能够在选择超参数的系统规则条件下，在多个应用中显著优于现有技术。
May, 2016
本论文提出一种基于动态卷积的网络 ——UDVD，可以处理不同来源和类型的降级，相比现有的模型，UDVD 的效果更为优越和广泛。在合成和真实图像上的实验证实了这一点。
Apr, 2020
我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。
Nov, 2017
本篇研究论文提出了一种基于收集已有高分辨率的视频数据并利用高 - 低感光度设置来构建的视频去噪数据集（ReCRVD），并且使用一种高效的 transformer 网络 (RViDeformer) 来实现抑制原始噪声且需要较少计算量的方法，这种网络结构包括了多分支的时空注意力模块，可以在有监督和无监督的情况下训练，相对于现有的方法取得了更好的性能。
May, 2023
本文提出了一种基于监督学习策略的视频降噪方法 RViDeNet，并构建了一个包括 55 组带噪声 - 无噪声对的动态视频数据集，实验表明我们的方法在室内外视频降噪方面表现优于现有算法。
Mar, 2020