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

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

通过逆扩散过程改进图像生成速度和质量的两个主要贡献是：首先，通过在图像和噪声之间的四分之一圆弧角度上重新参数化扩散过程，消除了两个奇点，并将扩散演化表达为良好行为的常微分方程。其次，直接使用网络直接估计图像和噪声，使得逆扩散步骤中的更新步骤更加稳定，因为准确估计图像和噪声在过程的不同阶段都是关键的。通过这些改变，我们的模型能够更快地生成高质量的图像，并且用Frechet Inception距离（FID）、空间Frechet Inception距离（sFID）、准确率和召回率等度量得出更高质量的生成图像。

Oct, 2023

通过自适应采样/主动学习策略，在高维度下扩展了通用降噪网络的训练方法，并将真实的规范损失景观进行多项式逼近，从而实现几乎两个数量级的训练时间缩短。我们在模拟的联合Poisson-Gaussian-Speckle噪声上进行了测试，并证明了使用我们提出的训练策略，在大范围的工作条件下，单个盲目的通用降噪器网络可以在专业降噪器网络的均匀界限内实现峰值信噪比。我们还使用具有不同数量的联合Poisson-Gaussian-Speckle噪声的小型图像数据集进行实验，并证明了使用我们的自适应采样策略进行训练的通用降噪器优于均匀训练的基准模型。

Oct, 2023

本研究提出了一种被称为TDiffDe的截断扩散模型，用于逐步恢复高光谱图像中的有用信息，从而解决由于传感器设备和成像环境引起的噪声问题。

Nov, 2023

SAR影像消斑技术的新方法R-DDPM，基于生成模型，通过区域去噪扩散概率模型实现了多尺度合成孔径雷达（SAR）影像的消斑，具有优于现有方法的卓越性能。

Jan, 2024

基于多时序的SAR图像，通过非局部滤波策略和自适应时序滤波器，利用空间自适应降噪方法进行去噪，提出了一种基于图像剩余内容评估的时间序列去噪方法。

Feb, 2024

通过引入微小的高斯噪声并增加约束条件，NoiseDiffusion方法能够改善无效噪声导致的图像插值问题，从而实现在噪声空间进行插值并解决信息丢失挑战，使得自然图像得以有效插值而不引入伪影或信息丢失，从而获得最佳插值结果。

Mar, 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