- CVPR无监督微观显微镜视频去噪
提出了一种新颖的无监督网络来降噪显微镜视频，通过在底层卷积神经网络中整合时间信号滤波器，恢复被未知噪声类型破坏的显微镜视频。实验证实，该无监督模型在广泛的噪声场景中表现出色，尤其适用于显微镜视频。
- 从原始数据实现准确且时间一致的视频修复
提出了一种新的视频去噪和去马赛克方法，利用一致准确的潜空间传播和数据时间一致性损失以及关系感知一致性损失来解决视频恢复的挑战，并在恢复准确性、感知质量和时间一致性方面取得了领先的性能。
- 无监督基于坐标的视频去噪
本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在 - CVPR星空下的跳舞：星光视频去噪
本文介绍了一种使用敏感的 CMOS 相机拍摄夜间星光（0.001 勒克斯以下）的方法，使用基于物理的噪声模型进行视频去噪处理，得到更好的视频质量。
- NeRV: 视频神经表示
我们提出了一种将视频编码到神经网络中的新型神经表示方法（NeRV），可以提高视频编码和解码的效率并广泛地应用于视频压缩或去噪等任务。
- Patch Craft: 深度建模和补丁匹配的视频降噪
本研究提出了一种基于卷积神经网络的新方法，利用 patch-craft frames 的概念在视频去噪方面引入自相似性，从而大幅提高了去噪性能。
- ICCV无监督深度视频降噪
本文提出了一种无监督的深度学习视频去噪方法 UDVD，可以通过单个短暂的有噪声视频进行训练，在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景，且无需显式的运动补偿，自适应性能比传统算法更高。
- 盲多帧视频去噪的自监督训练
提出了一种自监督的方法来训练多帧视频去噪网络，利用光流对齐之后惩罚预测帧和相邻目标帧之间的误差，实现了针对不同类型噪声的盲去噪，且在在线自我学习阶段表现优异。
- FastDVDnet: 实时的深度视频降噪技术 —— 无需流估计
介绍了一种基于卷积神经网络架构的视频去噪算法 FastDVDnet，该算法展现了比现有最佳基于 patch 的方法更快的运行时间和相似或更好的去噪效果，并可以通过使用单个网络模型来处理广泛的噪声水平。
- DVDnet：一种用于深度视频去噪的快速网络
本文提出了一种基于卷积神经网络架构的最新视频去噪算法，该算法在处理效率和性能等方面均优于其他算法。
- CVPRViDeNN: 深度盲视频降噪
该研究提出了 ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数 - 学习形变核对图像和视频去噪
本文提出了一种基于深度神经网络的变形二维卷积核和三维卷积核的去噪方法，能够自适应地适应图像结构，并在处理具有大运动的动态场景时具有较好的性能。
- 卷积神经网络实现的非局部视频去噪
本文介绍一种新的、高效的方法，将视频自相似性输入到 CNN 中，并以此来完成视频去噪。此方法可以在三维时空中搜索图像块，实现图像和视频去噪的顶尖效果。