提出了一种基于外部先验和内部先验学习的方法来优化实际噪声图像去噪问题，通过学习来自干净图片的外部先验和自适应的内部先验来构建正交字典以恢复原始图像。该方法在多个实际噪声图像数据集上进行了广泛的实验，并表现出高度竞争性的去噪性能，优于特定于实际噪声图像的最先进去噪方法。

May, 2017

通过构建一个包含具有综合性的不同自然场景下的真实噪声图像的新基准数据集，并在其上评估了各种图像去噪方法（包括之前的数据集），证明近期针对稀疏或低秩理论设计的方法实现了更好的去噪效果，更为稳健，并且新提出的数据集更具挑战性。该数据集现已公开，供研究人员研究新的现实世界图像去噪方法。

Apr, 2018

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

本文提出了一种基于领域对齐的有效图像去噪方法，该方法学习了两个图像先验知识，其中特征级先验用于学习对抗训练中的不同噪声水平下对抗特征，像素级先验则用于推动去噪图像到自然图像流形。结果表明，该方法有效地提高了合成和真实噪声图像的去噪能力，并可以用于盲去噪任务以及提高感知质量。

Jun, 2019

通过有效自由度的分析和“随机时间组合”方法，我们扩展了“深度图像先验”的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

Aug, 2021

该论文提出了一种实用的无监督图像去噪方法，其只需要单个有噪声的图象和噪声模型，通过迭代的方式训练模型来实现去噪，得到了目前最先进的去噪效果，并构建了高质量的原始图像数据集SenseNoise-500，以作为更好评估原始图像去噪性能的强大基准。

Nov, 2021

本研究提出了一种新的去噪扩散模型SVNR，它假定更加现实的空间变异噪声模型，使其能够在噪声输入图像上进行去噪扩散过程，并考虑了条件图像与修改扩散过程样本之间的相关性。实验表明，相对于强扩散模型和单图像去噪方法，我们的方法具有优势。

Jun, 2023

通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

Jun, 2024

本文解决了去噪技术应用范围未被充分认识的问题。通过提供全面的去噪器结构和属性视角，强调去噪在成像、逆问题和机器学习等复杂任务中的日益重要性。研究发现，去噪不仅限于噪声去除，其潜在用途正在不断被发现，进一步巩固了其在科学和工程实践中的重要地位。

Sep, 2024

本研究针对现有图像去噪方法在处理真实世界中常见的结构化和信号依赖噪声的局限性，提出了一种新的自适应似然估计和MAP推理方法。通过引入独立且非同分布的似然，并结合噪声精度先验，本文显著提升了去噪效果，在多种真实数据集上验证了方法的有效性。

Oct, 2024