- 关于去噪的后验分布：应用于不确定性量化
通过计算后验分布的高阶中心矩与后验均值的高阶导数之间的基本关系，提出了一种用于预训练的降噪器的不确定性估计方法，可有效计算图像区域的主成分以及在任意一维方向上的近似全边际分布。该方法快速、内存效率高，并且无需训练或微调降噪器。
- 细节保留图像去噪的重建生成扩散模型
提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。
- 全光学图像降噪使用衍射视觉处理器
光学拍摄图像去噪器是一种速度快、能耗低的方法，通过物理上分散光学模式来去除不同噪音特征，可以高效地清除图像中的噪音和伪影，适用于各种图像显示和投影系统。
- CCSPNet-Joint: 极端条件下交通违章检测的高效联合训练方法
提出了一种基于 Transformer 和 CNN 的高效特征提取模块 CCSPNet，它有效地利用上下文信息，实现更快的推理速度并提供更强的特征增强能力，与图像去噪和目标检测任务建立了相关性，并提出了联合训练模型 CCSPNet-Join - AATCT-IDS: 一种用于图像去噪、语义分割和放射学评估的腹部脂肪 CT 图像数据集
AATTCT-IDS 是一个包含 300 个被试者的 Benchmark 腹部脂肪 CT 图像数据集，通过对 13,732 个原始 CT 切片进行标注，验证了去噪方法、训练语义分割模型和研究影像组学等，该数据集在以上三种任务中验证了研究潜力 - ICCV通过自协同并行生成对抗分支在真实场景中进行无监督图像去噪
基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。
- 释放自监督图像去噪的力量：一份综述
深度学习为图像去噪技术带来了革命性的转变，本文聚焦于自监督图像去噪方法，对最新的方法进行了全面的分析和分类，并提供了理论分析和实际应用，同时讨论了这些方法的局限性并提出了未来研究的方向。
- 生成提示模型用于弱监督目标定位
通过生成提示模型，将弱监督的对象定位问题转化为一个条件图像降噪过程，从而学习可代表对象的嵌入特征并生成多尺度高质量注意力图，从而在 CUB-200-2011 和 ILSVRC 数据集上取得了较好的性能。
- 学习压缩图像时去噪的重要性
本文提出在训练编解码器时明确地学习图像去噪任务，通过监督编解码器的噪声 - 干净图像对，得出训练多种噪声水平图像组成的混合模型效果最佳，能在压缩、去噪任务中优于一组去噪 - 压缩模型。
- 使用增强视觉 Transformer 进行图像重建
本文提出了一个基于 Vision Transformer (ViT) 的图像重构框架，利用 4 种优化技术和生成对抗网络（GANs）启发的对抗性损失函数，用于图像去噪和修复，实验表明该框架在结构相似性（SSIM）方面比 U-Net 模型高出 - 通过自适应嵌入和集成激发图像去噪扩散模型
图像降噪是计算摄影中的一个基本问题，要求在低畸变的情况下实现高质量的感知性能。最近，新兴的扩散模型在各种任务中实现了最先进的性能，在图像降噪方面显示了巨大的潜力。然而，为图像降噪刺激扩散模型并不直接，需要解决几个关键问题。我们提出了一种名为 - 通过敌对攻击评估深度图像去噪模型的相似性和鲁棒性
本文研究表明通过对深度图像去噪模型的分析，研究者发现神经网络在面对对抗性攻击时具有脆弱性，但加入对抗性训练后可以提高鲁棒性。
- 加权结构张量全变差用于图像去噪
本文提出了一种新的图像去噪正则化模型，结合了各向异性全变差模型和结构张量全变差模型，通过应用 ATV 模型中的矩阵加权算子到 STV 模型中的基于块的 Jacobian 矩阵，能够更好地维护本地特征，比其他基于全变差模型和 STV 模型的知 - CANDID: 深度爆发图像去噪的对应校准
本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。
- 基于结构的受限玻尔兹曼机图像去噪与分类
本文介绍的结构受限玻尔兹曼机（Structural Restricted Boltzmann Machine）模型针对图像建模的应用，通过限制隐层单元与可见层子集的连接来显著降低可训练参数数量，而不会影响性能。通过对多个图像域进行广泛实验， - 基于归一化等变性的神经网络及其在图像去噪中的应用
本文提出了一种方法，通过引入受控亚线性激活函数和逐通道排序池化层来适应现有深度神经网络，从而实现网络的归一化等变性，这些修改不会损失性能，并应用于图像去噪中。
- 基于宽深学习的空间和强度自适应图像恢复
本文提出了一种新的神经网络架构 DparNet，通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化，该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效，模型参数数量和计算复杂度均较小。
- NODE-ImgNet：一种以 PDE 为基础的有效且稳健的图像去噪模型
本文提出一种新型神经网络结构 ——NODE-ImgNet，整合了神经常微分方程和卷积神经网络块，是一种内在的偏微分方程模型，通过调用 NODE 结构，在图像去噪方面取得了增强的精度和参数效率。
- NFI$_2$: 无噪声光照插值器的学习方法以用于无监督低光图像增强
该研究提出了一种简单而高效的无噪声照明插值器（NFI$_2$），以恢复受非均匀照明影响的图像，并设计了一种自校准去噪器和自正则化恢复损失函数进行无监督学习，通过实验证明了该算法在不同真实场景中产生了具有竞争力的质量和数量结果。
- CS-PCN: 图像去噪的上下文空间逐步协作网络
本文介绍了一种基于 Context-Space Progressive Collaborative Network (CS-PCN) 的图像去噪方法，该方法可以有效地处理语义信息和空间细节，并通过层次化的架构进行多阶段处理，具有较好的性能表