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

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

使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

May, 2018

通过卷积神经网络，我们提出了一种新的盲目图像降噪 CNN 架构，该架构综合了三个架构组件，包括多尺度特征提取层，l_p 规范化器以及三步训练方法，并与现有方法相比表现出具有竞争力的降噪性能。

Aug, 2017

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

我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

Nov, 2017

通过基于分数的逆扩散算法生成的高质量样本提供了证据，表明尽管遭受维度灾难的困扰，用于降噪训练的深度神经网络（DNN）可以学习高维密度。然而，关于训练集记忆化的最近报导引发了一个问题，即这些网络是否正在学习数据的 “真实” 连续密度。在本文中，我们展示了在非重叠的数据集子集上训练的两个降噪 DNN 学习到几乎相同的评分函数，从而学习到相同的密度，并且只需要非常少的训练图像。这种强大的泛化表明 DNN 架构和 / 或训练算法中的强大归纳偏差与数据分布的特性相一致。我们通过对这些内容进行分析来证明这一点，证明了去噪器在适应底层图像的基础上执行了一个收缩操作。对这些基础的检查揭示了轮廓线和均匀图像区域中的振荡谐波结构。我们通过证明即使在训练于低维流形等图像类别的情况下，这些经过训练的去噪器也会生成这种几何自适应谐波表示来表明它们在归纳偏差方面具有偏好。此外，我们还展示了当在已知最优基础为几何自适应谐波的常规图像类别上进行训练时，网络的去噪性能接近最优。

Oct, 2023

本文提出了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架，该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了 SBD 的泛化能力和 CNNs 的视野对其性能的影响。

Oct, 2020

本文介绍一种使用卷积层构建的去噪自编码器进行医学图像去噪的方法，通过少量样本的训练，可以高效地去除医学图像噪声。同时，本文提出了将异构图像进行合并来提高训练样本的可行性，并成功地实现了最简单的网络重构高噪声医学图像的效果。

Aug, 2016

本文提出了一种基于像素分类的高效深度神经网络用于图像去噪，通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器，能够降低计算成本并且不会牺牲去噪性能。

Mar, 2021