提出一种新颖的基于 Langevin 动力学的随机去噪方法，可在保持小 MSE 的同时产生高感知质量结果，并将其扩展到处理修补问题。

Jan, 2021

本文提出了一种改进的自监督去噪模型，该模型可以处理 Poisson-Gaussian 噪声，并且避免使用超参数，在低光显微镜等某些应用领域中取得了较好的性能表现，评估结果表明该模型优于其他基准模型。

Feb, 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

我们提出了一种能够同时去噪和预测多光子成像测量像素级不确定性的方法，提高了算法的可靠性并为深度学习预测提供了统计保证。通过学习得到的像素级不确定性，我们提出了一种自适应采集技术，仅重新扫描样本中最不确定的区域。在实验噪声多光子成像测量人类子宫内膜组织方面，我们展示了我们能够保持精细特征并在每个像素上优于其他去噪方法的能力。最后，通过我们的自适应采集技术，我们展示了在成功恢复样本中的细节特征的同时，采集时间和总光剂量减少了 120 倍。我们是首先在真实实验数据上展示了无分布不确定性量化的去噪任务的方法，并首次提出了基于重建不确定性的自适应采集。

Oct, 2023

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

提出一种基于 CMOS 光电传感器特性的高精度噪声形成模型，并基于此模型提出了一种用于校准现有数码相机噪声参数的简单复制方法。此模型使神经网络具备了使用丰富真实数据进行训练的能力，并应用于覆盖多个品牌数码相机的新低光噪声数据集中，获得了显著的降噪效果。

Mar, 2020

本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。

Jan, 2017

通过训练确定性网络与变分自编码器一起直接预测中心趋势的方法，以在计算成本的一小部分下取得超越无监督方法的结果。

Oct, 2023

Poisson flow generative models (PPFM) for low-dose CT image denoising outperforms diffusion models with a significantly reduced number of function evaluations (NFE=1).

Dec, 2023

通过学习物理引导噪声神经代理（PNNP）从暗帧中来精确建模噪声，我们开发了一个新颖的框架，它集成了三种高效的技术：物理引导噪声解耦（PND），物理引导代理模型（PPM），可微分的分布导向损失（DDL），以提高低光原始图像降噪的性能。

Oct, 2023