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

本文提出了一种新的自监督去噪框架 Noise2Same，不需要 J-不变性或额外的噪声模型信息，可在更广泛的去噪应用中使用，实验证明 Noise2Same 在去噪性能和训练效率方面显著优于以往的自监督去噪方法。

Oct, 2020

本研究提出一种名为Noise2Score的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。

Jun, 2021

该论文提出了一个名为Blind2Unblind的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

Mar, 2022

提出了一种基于循环多变量函数模块和自监督图像解缠 (CVF-SID) 框架的自监督去噪方法，可用于应对实际场景中的噪声问题。实验表明，CVF-SID 可在真实数据集上实现最先进的自监督去噪性能并与其他现有方法相当。

Mar, 2022

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

提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

Apr, 2023

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

图像去噪是图像处理中最古老且最活跃的研究领域之一。本文提出了一项关于图像去噪的监督学习和无监督学习方法的综述，分类和详细介绍了这一演化过程的主要原则，特别关注最近在监督学习领域的发展。同时，着重考虑了文献中最有效方法的原理和局限性，并突出了许多方法之间的共同特点。最后，我们重点关注大多数监督方法中未能满足的归一化等变特性，即对输入图像进行强度变换或缩放会导致去噪器输出相应地发生变化。

Feb, 2024