- 基于深度学习的盲图像超分辨率：迭代核重建和噪声估计
本研究提出了一种名为 IKR-Net (迭代核重构网络) 的方法，通过使用专门的深度模型进行迭代的核和噪声估计以及高分辨率图像重建，提供了一种通用解决方法，能够处理输入低分辨率图像中任意类型的模糊和噪声，并在盲目单图像超分辨率中取得了最先进 - 增强的分布对齐用于后训练量化扩散模型
优化的分布对齐方法可用于增强扩散模型的后训练量化，从而解决现有方法中存在的分布不匹配问题，提高在噪声估计任务中的性能，并在低位精度情况下超过完整精度模型的性能。
- 交叉验证独领风骚：一种统计学方法用于标签噪声估计
提出了 Repeated Cross-Validations for label noise estimation (ReCoV) 方法，在医学影像结果预测数据集中表现出比现有算法更好的噪声清理能力。
- DCANet: 注重注意力的双卷积神经网络用于图像盲去噪
本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。
- ICCV自适应展开全变差网络用于低光图像增强
该研究提出了一种基于自适应展开全变分网络的噪声估计方法，可以有效增强真实低光景象下的图像，并在实验中展示了其优越性。
- AAAI使用密度估计进行噪声估计的自监督多模态学习
本文提出了一种基于多模态密度估计的噪声估计构建模块，该模块可以被广泛整合并在两个挑战性多模态任务上达到与现有模型相当的性能。
- EMNLP基于特征的混淆矩阵用于低资源 NER 标记和噪声标记
在资源匮乏的情况下，使用自动注释或远程监督数据可以改善监督标注模型的性能，但这些数据往往信息有噪声，并且噪声估计需要考虑输入特征和预初始化的混淆矩阵。我们提出将训练数据使用输入特征进行聚类，为每个簇计算不同的混淆矩阵，并在多种语言的命名实体 - 变分去噪网络：朝向盲噪声建模和去除
本文介绍了一种新的变分推断方法 - Variational Denoising Network（VDN），该方法将噪声估计和图像去噪综合到一个贝叶斯框架中。使用由深度神经网络参数化的近似后验条件于输入的图像和噪声方差的潜变量，提供具有显式参 - CVPR使深度神经网络对标签噪声具有鲁棒性：一种损失修正方法
该论文提出了一种基于理论的方法来训练深度神经网络，包括循环网络，使其适用于存在类别相关标签噪声的情况，并提出两种提高模型噪声稳健性的损失函数矫正方法和一种端到端的噪声估计框架并进行了大量实验证明了这个方法的实用性和有效性。
- RENOIR - 用于真实低光图像降噪的数据集
该论文介绍了一个包含自然噪声的彩色图像数据集，并提出了一种噪声估计方法，然后使用这个数据集对六种去噪算法进行了评估，结果表明 MLP、Bilevel-MRF 和软阈值 NL-means 在这个数据集上超越了 BM3D。
- 一种估计金融相关矩阵中噪声的新方法
本文提出了一种基于功率映射的新型方法来估计金融相关性矩阵中的噪声，能够有效地探测出不同的相关结构，并引入了一种旨在评估噪声与相关性之间关系的度量，无需进一步的数据处理或附加输入。