通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

Apr, 2019

通过增加数据容量和降低噪声复杂度的方式，我们提出了一个可学性增强策略来提高低光下图像去噪的性能，该策略包括射击噪声增强（SNA）和黑暗遮蔽校正（DSC）两种高效技术，并在公共数据集和实际成像场景中取得了最先进的性能。

Jul, 2022

本文提出了一种基于神经网络的方法，用于去噪在低光环境下拍摄的带和不带闪光灯的图像对，旨在产生高质量的场景呈现，同时保留噪声的无闪光图像的颜色和情绪，同时恢复闪光所揭示的表面纹理和细节。

Dec, 2020

本文研究了 CMOS 图像传感器成像管线中的噪声统计，并制定了一种全面的噪声模型，以准确地表征真实的噪声结构。该模型可用于合成用于学习低光照度去噪算法的真实训练数据，并在多个低光照度去噪数据集上进行的实验表明，使用我们提出的噪声形成模型训练的深度神经网络可以达到惊人的高准确度。

Aug, 2021

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

构建了一个新的真实世界事件去噪数据集，并提出了一种基于同质双事件的去噪框架，用于捕捉与原始信号相关的事件信息并分离噪声，实现准确的去噪。

May, 2024

推出一种用于处理低光强下传感器的原始短曝光图像的数据集，运用端到端的深度卷积神经网络进行学习，取代传统的图像处理流程并取得了良好的效果。

May, 2018

通过使用生成模型来综合信号独立噪声，该方法可以同时学习不同 ISO 级别的噪声特性，并在各种传感器上进行泛化，通过傅里叶变换鉴别器准确区分噪声分布，验证结果显示该模型产生的噪声分布与实际噪声非常相似，对不同传感器进行去噪实验显示该方法在各个方面优于现有技术。

Jul, 2023

通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在 Darmstadt 噪声数据集上具有 14％-38％更低的误差率，并且是先前技术的 9 倍 - 18 倍更快，同时可以概括到该数据集之外的传感器。

Nov, 2018

本文提出了一种针对真人照片的图像去噪方法，并捕捉了一组包含真实噪声的消费级相机图像数据集，即 Darmstadt Noise Dataset，通过实验证明，近期的一些表现优异的方法在真实噪声情况下被 BM3D 明显地击败。

Jul, 2017