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

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

本研究提出一种基于自监督学习的全卷积深度自编码器，通过利用不同视角下的多个场景生成的多视点数据，结合深度和颜色信息，在训练期间去除噪声，在推理期间仅利用深度信息，有效地提高深度去噪效果。

Sep, 2019

本文提出了一种基于 Swin Transformer 的 Image Autoencoder（SwinIA），用于自监督图像去噪，无需像素掩蔽，不需要任何关于噪声分布的先验知识，可以用简单的均方误差损失进行端到端训练，且在多个常见基准测试中均取得了最先进的性能。

May, 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

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

提出了一种基于自动矫正网络的数据预处理方法，解决了手持场景下旋转运动对单视角深度估计的干扰问题，并针对不同数据集验证了该方法的有效性及通用性。

Jun, 2020

本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

Mar, 2016

本文提出了一个名为 DocMAE 的自监督框架来学习文本图像校正问题中的有效信息表示，通过利用掩模自编码器编码文本图像的结构线索来使文本图像校正受益。

Apr, 2023

Self-Classifier 是一种新的自监督的端到端分类学习方法，可以同时学习标签和表示，不需要任何形式的预训练或负样例，它的交叉熵损失具有统一的先验，能够保证非退化解，并且在 ImageNet 无监督分类任务上取得了最新的性能。

Mar, 2021