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

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

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

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

通过交互作用和残差块，在复杂场景下提取干净图像所需的有效结构信息，我们提出了一个串行块、并行块和残差块的交叉 Transformer 去噪卷积神经网络（CTNet）。经实验证明，CTNet 在真实和合成图像去噪方面优于一些流行的方法，适用于手机等移动数字设备。

Oct, 2023

本研究提出七种轻量级去噪变压器网络，并探讨基于裁剪的数据增强对其训练的重要性，这有助于在实际应用中更高效地去除数字设备固有的噪声并提高视觉识别能力。

Apr, 2023

我们提出了一种新的基于降噪感知自注意的 Transformer 模型，将 CNN 和 Transformer 组件结合到超分辨网络中，实现了在盲超分辨率方面的最先进性能。

Oct, 2023

本研究提出一种新的思路来解决现实世界 sRGB 图像去噪中空间相关噪声的问题，其通过分别考虑噪声图像中平滑区域和纹理区域的特性，并构建相应的监督来训练模型，最终得到了更好的去噪效果。

Mar, 2023

本文提出了一种新颖高效的 CNN 框架，结合 MD 模块和多分支 U 形结构，获得了与 Transformer-based methods 相当的全局上下文特征表征，用于图像去噪，实验结果表明模型 SUMD 可在各种数据集上产生可比较的视觉质量和准确性结果。

Apr, 2022

利用深度卷积神经网络（CNN）开发了一种图像去噪方法：Noise2Inverse，可以应用于线性图像重建算法，无需任何额外的干净或噪声数据，通过利用噪声模型计算多个统计独立的重建来实现训练，该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法，能够显著降低噪声。

Jan, 2020