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

提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。

Jan, 2019

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

本研究提出了一种名为Probabilistic Noise2Void的卷积神经网络训练方法，可用于单一噪声图像的去噪。通过与噪声的合适描述相结合，可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法，应用于公开的显微镜数据集，其表现和有监督的现有方法相当。

Jun, 2019

利用深度卷积神经网络（CNN）开发了一种图像去噪方法：Noise2Inverse，可以应用于线性图像重建算法，无需任何额外的干净或噪声数据，通过利用噪声模型计算多个统计独立的重建来实现训练，该方法在模拟CT数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法，能够显著降低噪声。

Jan, 2020

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

本文提出了一种基于模拟图像的去噪方法, 即模拟图像去噪(SBD)框架，该框架使用卷积神经网络(CNNs)在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了SBD的泛化能力和CNNs的视野对其性能的影响。

Oct, 2020

本文提出了一种无监督的深度学习视频去噪方法UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。

Nov, 2020

本文提出了一种新的自监督去噪策略，并基于空画布上的迭代采样，导出了完整的生成模型，使用荧光显微镜数据集进行了数量和质量评估，优于监督、自监督和非监督基准模型。

Jul, 2023

通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

Jun, 2024