研究了一种非局部均值图像去噪算法在水平类图像中的渐近风险分析及其性能，并证明其在经过最优调节后的均方风险衰减速率优于线性卷积滤波器、中值滤波器和SUSAN滤波器，但仍低于最优的极小值率。

Nov, 2011

提出了Monte Carlo非局部均值（MCNLM）算法，该算法随机选择图像补丁距离的子集以加速经典的NLM滤波算法，并通过优化设计的样本模式导出蒙特卡罗方法的随机结果，使MCNLM在图像处理领域变得竞争性。

Dec, 2013

本研究提出了一种基于非局部图像模型的新型深层网络结构，用于灰度和彩色图像去噪，并通过实验验证，表明该非局部模型在所有测试噪声水平下均实现了最佳的去噪性能，同时能够与卷积神经网络进行直接连接，并利用深度学习中 GPU 计算的最新进展，在其固有的并行性上实现高效实现。

Nov, 2016

该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文提出了残差非局部注意力网络用于高质量图像恢复，利用局部和非局部注意块来提取长程依赖的特征并对挑战性部分进行更多关注，在局部和非局部注意力学习中加入残差机制以增强网络的表征能力，可以被推广应用于各种图像恢复应用中，如图像去噪，去马赛克，压缩失真减少和超分辨率。实验结果表明，我们的方法在定量和定性指标上都取得了可比或更好的结果。

Mar, 2019

本文提出一种新颖的自我相似注意力机制（SS-Attention），并将其集成到基于自我相似的盲点网络（SS-BSN）中，在自我监督图像去噪任务中通过实验证明，在智能手机图像去噪数据集（SIDD）和达姆斯塔特噪声数据集（DND）基准数据集上，该方法在定量和定性方面均优于现有的先进方法。

May, 2023

设计了一种新的两阶段渐进残差密集注意力网络（TSP-RDANet）进行图像去噪，通过两个子任务逐步去除噪声，其中使用残差密集注意力模块（RDAM）和混合扩张残差密集注意力模块（HDRDAM）来设计两个基于注意力机制的去噪网络，以增强去噪效果。实验证实，与众多最新方法相比，所提出的TSP-RDANet在合成和真实噪声图像去噪方面取得了有利的结果。

Jan, 2024

我们提出了一种统一的非局部方法的观点，用于单图像去噪，其中BM3D是最流行的代表，根据它们的相似性将噪声补丁收集在一起以进行协同处理。我们的一般估计框架基于二次风险的最小化，在两个步骤中近似，并适应光子和电子噪声。在第一步中依靠无偏风险估计（URE），在第二步中依靠从深度学习理论中借鉴的“内部适应”概念，我们展示了我们的方法能够重新解释和融合先前的最先进的非局部方法。在这个框架内，我们提出了一种名为NL-Ridge的新型去噪算法，它利用了补丁的线性组合。虽然在概念上更简单，但我们展示了NL-Ridge可以胜过成熟的最先进的单图像去噪算法。

Feb, 2024

通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

Mar, 2024

本研究解决了图像中常见的乘法噪声去除问题，提出了利用随机微分方程扩散模型的新方法。研究表明，乘法噪声可以有效地在对数域建模为几何布朗运动过程，所提出的方法在感知度量指标上显著优于传统信号处理技术和卷积神经网络噪声去除模型，具有良好的应用潜力。

Aug, 2024