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

通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在Darmstadt噪声数据集上具有14％-38％更低的误差率，并且是先前技术的9倍-18倍更快，同时可以概括到该数据集之外的传感器。

Nov, 2018

本文研究基于真实噪声模型的图像降噪方法，在相机管道中模拟真实的图像噪声和降噪，发现噪声模型对学习模型效果的提升有重要作用，通过模拟降噪和图片拼合进而提高噪声模型的真实度和效果。

Apr, 2019

提出一种基于CMOS光电传感器特性的高精度噪声形成模型，并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力，并应用于覆盖多个品牌数码相机的新低光噪声数据集中，获得了显著的降噪效果。

Mar, 2020

本文研究了CMOS图像传感器成像管线中的噪声统计，并制定了一种全面的噪声模型，以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据，并在多个低光照度去噪数据集上进行的实验表明，使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。

Aug, 2021

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

该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法，用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据，并在多个基准测试上证明了其方法的优越性.

May, 2023

通过使用生成模型来综合信号独立噪声，该方法可以同时学习不同ISO级别的噪声特性，并在各种传感器上进行泛化，通过傅里叶变换鉴别器准确区分噪声分布，验证结果显示该模型产生的噪声分布与实际噪声非常相似，对不同传感器进行去噪实验显示该方法在各个方面优于现有技术。

Jul, 2023

通过学习物理引导噪声神经代理（PNNP）从暗帧中来精确建模噪声，我们开发了一个新颖的框架，它集成了三种高效的技术：物理引导噪声解耦（PND），物理引导代理模型（PPM），可微分的分布导向损失（DDL），以提高低光原始图像降噪的性能。

Oct, 2023