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

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

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

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

本文介绍了一种使用深度学习技术对声学相机图像进行去噪的新策略，该策略由两个主要组件组成：自监督去噪框架和精细特征引导块。实验结果表明，该去噪策略可以有效过滤声学相机图像，而不需要先验的噪声模型。去噪过程几乎是端到端的，无需复杂的参数调整和后处理，成功去除噪声同时保留细节特征，从而增强了局部特征匹配的性能。

Jun, 2024

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

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

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

本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。

Jul, 2023