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

该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

Nov, 2021

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

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

基于随机子采样生成的采样差异作为扰动的自我监督实图像降噪框架（SDAP）在真实世界数据集上显著优于其他最先进的自我监督降噪方法。

Jul, 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

通过多角度自监督解缠方法 (MeD)，本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上，该方法的性能甚至超过了其监督对照组超过3 dB。

Sep, 2023

基于深度学习的去噪器是图像去噪领域最近发展的焦点，本文提出了一种基于追踪约束损失函数和LoTA-N2N模型的方法来弥合无监督学习和监督学习之间的差距，并在自然图像和共焦图像数据集上取得了最新的零样本自我监督图像去噪方法的优秀表现，无需依赖于任何对噪声的假设。

Mar, 2024

本文通过理论分析和数值实验深入分析了使用变性数据的自监督降噪算法，讨论了该算法在优化问题的种群风险上找到期望解的同时，经验风险的保证则取决于变性水平对降噪任务的难度。实验结果表明，使用变性图像进行训练的算法起作用，并且经验性能与理论结果相一致，为今后使用变性数据进行自监督图像降噪的进一步改进提供了一些见解。

May, 2024