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
本文深入探讨自监督学习算法在 MRI 图像重建中的验证方法，发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响，最终验证得到压缩感知重建和学习去噪方法的表现相似。
Jan, 2022
本文介绍了如何使用 Noisier2Noise 框架进行自监督学习，在 MRI 数据的稀缺情况下，通过数据下采样的方式提高重建质量和鲁棒性，同时解释了 SSDU 方法的表现原理。
May, 2022
自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效，在科学和医学成像应用中为基于学习的方法铺平了道路，其中获得地面真实数据难度或费用较高，在磁共振成像和计算机断层扫描中就是这种情况。然而，现有方法在图像超分辨率和去模糊问题中无法取得竞争性能，在大多数成像系统中起着关键作用。在本文中，我们展示了对于仅包含低频信息的测量数据，对于学习的翻译和旋转不变性是不足够的。相反，我们提出了一种新的自监督方法，利用了许多图像分布近似尺度不变的事实，可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法，并获得了与完全监督学习相当的性能。
Dec, 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
提出了一种通用框架，用于去噪高维度测量，不需要先验信号、噪声估计和干净数据训练，仅假设噪声在不同维度上具有统计独立性，真实信号呈现某种相关性。
Jan, 2019
该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。
Jun, 2018
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。
本文提出了一种用于培训自我监督去噪网络的新策略，即 “Noisy-As-Clean”(NAC) 策略，该策略可绕过训练和测试图像之间存在的领域差距问题，并展示了该策略能够达到比原始网络更好的去噪性能。
Jun, 2019
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