利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

Jan, 2019

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

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

基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。

Aug, 2023

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

本文提出了一种名为 Neighbor2Neighbor 的简单而有效的方法，利用自监督学习中的随机邻居子采样器在只有噪声图像的情况下训练图像降噪模型，并在理论和实验验证中证明了其有效性。

Jan, 2021

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

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

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

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