本论文提出了一种基于数据驱动的方法来学习真实世界的噪声模型，该模型是相机感知的，可以学习不同摄像头传感器的不同噪声特性，实验证明这种方法优于现有的统计噪声模型和基于学习的方法。

Aug, 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

该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

Jun, 2022

本文介绍了通过直接从传感器的真实噪声中采样来合成噪声的新视角，并提出了两种有效的技术：基于模式对齐的图像块采样和高位重建来精确合成空间相关噪声和高位噪声。对 SIDD 和 ELD 数据集进行了系统实验，结果表明，该方法表现优于现有方法，对不同传感器和光照条件具有广泛的推广性，且 DNN-based 噪声建模方法不能胜过基于物理统计方法。

Oct, 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

本文旨在通过数据驱动框架探索提高基于传感器噪声的源相机识别的方法，并聚焦于单张图像的传感器噪声提取的改进，试图利用深度学习方法提高提取器的效率以提高源归属问题的准确度，实验证明本方法在各类公开数据库上都有较好的应用前景，包括图像篡改定位和视频源归属问题，同时，本文对潜在的问题进行了批判性的讨论。

Feb, 2020

提出了一种适用于移动设备的轻量级高效的神经网络原始图像去噪器，可通过测量估计传感器噪声水平并使用新颖的 k-Sigma Transform 来克服各种噪声水平，从而以～70 毫秒 / 百万像素的速度运行，非常适合夜拍模式。

Oct, 2020

通过模拟噪声的成像过程并将其应用于合成训练数据，评估了 3D 相机捕获数据中噪声的影响。通过构建特定场景的数据集，模型了侧向噪声（影响图像平面上捕获点的位置）和轴向噪声（影响垂直于图像平面的轴上的位置）。通过对渲染数据进行实验来评估添加人工噪声的附加益处，训练了一系列不同噪声水平的神经网络，并测量其在真实数据上的泛化能力。结果表明，使用过少或过多的噪声会损害网络性能，这表明从真实扫描仪获取噪声模型对于合成数据生成是有益的。

Feb, 2024

该论文提出了一种新颖的传感器无关光源估计框架，通过学习传感器无关的工作空间来解决为每种类型的相机传感器训练单独的深度神经网络模型的问题。

Dec, 2019

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