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

提出了一种基于盲点网络（blind-spot networks）的有条件盲点网络（C-BSN），采用随机子采样器进行空间去相关降噪，并在实际数据集上实现了最先进的性能。

Apr, 2023

本文提出一种利用多种掩码策略和 BSN 相结合的多掩膜策略（MM-BSN）来解决大噪声去噪问题的自监督图像去噪方法，实验结果表明该方法在 sRGB 图像去噪方面表现出良好的性能并且是目前自监督和非配对图像去噪方法中表现最好的。

Apr, 2023

本文提出了一个两阶段框架，通过结合自监督学习和知识蒸馏的方法来促进无配对洗涤网络的学习，该方法在合成和真实噪声图像的定量和定性评估方面表现良好。

Aug, 2020

本文通过对不同应用的合成和真实世界数据集中的各种去噪方法进行比较，旨在调查现有去噪技术的适用性，并从数量度量、视觉效果、人工评分和计算成本等四个不同角度对其进行评估，我们实验的结果显示，除了 DNN 模型表现出的物体检测和许多关键点检测方面的性能令人印象深刻以外，传统去噪器显示出代表性的有效性和效率以及同样良好的去噪表现，我们也讨论了现有技术的缺点和可能的扩展。

Apr, 2023

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

本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

Dec, 2019

基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。

Aug, 2023

通过多角度自监督解缠方法 (MeD)，本文在合成噪声和真实噪声的实验分析中展现了该方法在未见过的新噪声类型上相对于之前的自监督方法的卓越性能。在真实噪声上，该方法的性能甚至超过了其监督对照组超过 3 dB。

Sep, 2023

图像去噪是图像处理中最古老且最活跃的研究领域之一。本文提出了一项关于图像去噪的监督学习和无监督学习方法的综述，分类和详细介绍了这一演化过程的主要原则，特别关注最近在监督学习领域的发展。同时，着重考虑了文献中最有效方法的原理和局限性，并突出了许多方法之间的共同特点。最后，我们重点关注大多数监督方法中未能满足的归一化等变特性，即对输入图像进行强度变换或缩放会导致去噪器输出相应地发生变化。

Feb, 2024