该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

Mar, 2017

提出了一种名为 Regularization by Denoising (RED) 的基于去噪算法的正则化框架，通过显式的图像自适应基于 Laplacian 的正则化函数，可以非常有效地处理一般性逆问题，同时可以灵活地选择迭代优化过程，测试结果表明在图像去模糊和超分辨率问题上取得了最先进的结果。

Nov, 2016

本文提出了一种基于去噪和去伪影的正则化算法 RARE，使用预训练的卷积神经网络作为先验，可以在采样数据较少的情况下重构出高质量的 3D MRI 影像。

Dec, 2019

本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet，其结构完全优化和重组，通过引入额外的层和投影度量（即光谱角度距离（SAD）而不是内积）得到最优解，最后通过基于随机梯度的方法来扩展其可处理规模，该方法得到显著改进，表现优于文献中的现有技术。

Aug, 2017

通过 Score-Matching by Denoising 框架提出了相对于 Regularization by Denoising 更加合理且可解释的算法，并且在加速和收敛性方面有所提升，并且发现 Regularization by Denoising 算法寻找共识平衡解，便于与 plug-and-play ADMM 进行比较。

Jun, 2018

自动编码器是无监督学习内部表示的有用框架，本研究将现有的去噪自动编码器扩展到在非线性函数和隐藏单元激活之前注入噪音，提供一种统一的策略来通过设计注入噪声的性质来开发新的内部表示，并表明通过罕见的、去相关、和信息分散的噪声，在深度网络中改善性能。与其他单层技术竞争 MNIST 和 CIFAR-10。

Jun, 2014

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

本文提出了一种新方法，即采用对抗逼近自动编码器（AAAE）来研究具有对抗逼近的潜在代码，从而提高重建质量并学习具有流形结构的潜在空间，同时不需要对潜在代码进行正则化。

Feb, 2019

本研究介绍了一种基于深度学习的无监督降噪方法，能够移除图像中的信号相关噪声和轴向相关噪声，无需干净图像或噪声模型作为输入，实验结果表明该方法优于现有的自监督和无监督图像降噪方法。

Oct, 2023

基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

Mar, 2024