本研究提出了一种名为 Probabilistic Noise2Void 的卷积神经网络训练方法，可用于单一噪声图像的去噪。通过与噪声的合适描述相结合，可以得到每个像素的噪声观测和真实信号的完整概率模型。在各种噪声情况下评估了该方法，应用于公开的显微镜数据集，其表现和有监督的现有方法相当。

Jun, 2019

介绍了一种名为 Noise2Void (N2V) 的图像降噪训练方案，可以不需要嘈杂和干净的图像对，而是直接使用被降噪的数据进 行训练，特别适用于生物医学图像数据。与具有噪声图像对和 / 或干净目标图像的方式相比，N2V 的降噪效果较为相当。

Nov, 2018

该论文介绍了一种基于深度学习的图像去噪方法，将 PN2V 方法转化为完全无监督的方法，并且展示了新的方法将直方图噪音模型替换为参数噪音模型，即使没有校准数据，也可以创建适合的噪音模型。

Nov, 2019

用卷积神经网络进行图片去噪是计算摄影学中重要的工具，本研究提出了一种新的全卷积网络结构，使用扩张卷积实现盲点性质，该网络在已有数据集上表现优于之前的工作并取得了最新成果。

Aug, 2020

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

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

本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参数形式的后验分布，可用于自动噪声估计的盲图像去噪。VDN 既具有传统模型驱动方法的优点，也具有数据驱动深度学习方法的效率、灵活性和可解释性，且能够在真实场景下估计并消除复杂的非 i.i.d 噪声。综合实验结果表明，该方法在盲图像去噪方面具有优越性。

Aug, 2019

通过自适应采样 / 主动学习策略，在高维度下扩展了通用降噪网络的训练方法，并将真实的规范损失景观进行多项式逼近，从而实现几乎两个数量级的训练时间缩短。我们在模拟的联合 Poisson-Gaussian-Speckle 噪声上进行了测试，并证明了使用我们提出的训练策略，在大范围的工作条件下，单个盲目的通用降噪器网络可以在专业降噪器网络的均匀界限内实现峰值信噪比。我们还使用具有不同数量的联合 Poisson-Gaussian-Speckle 噪声的小型图像数据集进行实验，并证明了使用我们的自适应采样策略进行训练的通用降噪器优于均匀训练的基准模型。

Oct, 2023

通过采用噪声到噪声（Noise2Noise）模型，在超声图像中自动检测标注物的研究中，我们发现噪声产生的模型比噪声 - 干净数据对训练的模型表现更好。其中，定制的 U-Net 模型在身体标记物标注数据集上表现出色，其分割精度和重建相似性得分较高。

Jul, 2023