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

介绍了基于normalizing flow的强大而精确的噪声模型Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。

Aug, 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

本文介绍了一种使用未配对学习方案来调整色彩图像去噪器处理测试图像的方案，并使用学习的伪ISP和rawRGB噪声模型对真实噪声图像进行去噪，表明该方案对不同的去噪器都有效。

Mar, 2021

本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角，并提出了两种有效的技术：基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对SIDD和ELD数据集进行了系统实验，结果表明，该方法表现优于现有方法，对不同传感器和光照条件具有广泛的推广性，且DNN-based 噪声建模方法不能胜过基于物理统计方法。

Oct, 2021

该研究提出了一种混合模型和数据驱动的ISP技术，实现了RAW和RGB域的双向映射和参数学习，通过基于字典的数据增强方法，在RAW图像重建和去噪任务中实现了最先进的性能。

Jan, 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

采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对sRGB噪声的更准确建模和合成。

Dec, 2023

本研究针对图像去噪在相机图像信号处理（ISP）管道中的重要性，提出了DualDn，一个新型的学习基础双域去噪方法。该方法通过两个去噪网络分别在原始域和sRGB域中进行处理，有效应对传感器特定噪声和ISP变动，显著提高了通用性和去噪性能，实验表明其效果优于现有的商业去噪解决方案。

Sep, 2024