低剂量CT去噪告别配对数据！物理驱动新框架：17项指标反超监督基线
低剂量CT（LDCT）的临床价值不用多说——辐射剂量降低了，患者风险下来了，可图像里的噪声就上去了。泊松-高斯混合噪声趴在投影数据里，重建出来的图像出现条纹和伪影，直接影响医生下诊断。传统去噪方法靠人工先验，效果有限；
标签：图像去噪
共 32 篇
RAW域修复和RGB域修复谁才更强？维尔茨堡大学新基准给出反直觉答案
图像修复该放在ISP前还是ISP后，一直是个争论点。这篇来自维尔茨堡大学的新基准给出了一个略带“反转”味道的答案：选RAW还是RGB不是核心，修复模型的训练分布是否对齐目标成像管线才是决定性因素。结论来自四组手机传感器、两种固定ISP与三档退化条件的系统实验，值得计算摄影研究人员和移动端算法工程师都花时间读一读。
2026最新：把亮度映射塞进迭代，图像去噪增强一步搞定
拍照一时爽，后期火葬场——尤其拍到过曝夜景人像，想从高光里捞细节时，灵魂拷问就来了：先降噪还是先调亮度？先调亮度吧，暗部噪点会被放大；先降噪吧，过曝区域的细节又未必救得回来。传统玩法无非这两种，顺序任选，各有代价。
图像去噪新范式：软直方图驱动扩散，混合噪声一网打尽
把软直方图和扩散滤波硬凑成一对，居然在高斯+脉冲混合噪声上打出了漂亮的组合拳。方法推导干净利落，没有堆砌花活，适合想从变分视角理解鲁棒去噪底层逻辑的读者花十分钟读一读。
零样本也能修！芬兰新方法让InSAR相位恢复时空残差直降68%
InSAR相位恢复一直靠固定滤波器硬扛，可每一对影像的几何参数都不一样，这就像用同一副老花镜看所有距离的物体。芬兰团队提出FiLM-GPNet，给网络装上“几何调节旋钮”，时间残差直降68%，而且换个城市不用重新训练，零样本直接上手。
5张人脸见证：GAN引导扩散PSNR提升4.40dB
GAN快但不够稳，扩散稳但太磨叽，这俩能不能别打架、搭个伙？本文给出了一个简单又实用的答案：把冻结的WGAN-GP中间特征当“导师”，用交叉注意力喂给扩散U-Net，在CelebA人脸去噪上直接涨了4.40dB。方法不复杂，但对混合范式感兴趣的读者值得一读。
哈佛最新研究：扩散模型分数函数被"拆穿"，小波展开无需训练直接去噪
这篇论文把扩散模型里最"玄学"的分数网络，用小波基展开成了完全可解析的形式——不用梯度训练，闭式岭回归直接算出最优去噪器。更妙的是，三种相关性结构把"数据里哪些统计量最重要"变成了可量化的诊断工具。理解扩散模型内部机制，这篇值得一读。
AFM图像又糊又慢？SPIDER自监督框架6倍加速3倍信噪比
论文由Sichen Pan和Simon Scheuring完成（通讯作者为Simon Scheuring），发表在Nature Communications上，提出了名为SPIDER（Scanning Probe Mic。
佛罗里达大学用GPT-4o指挥PET去噪：闭环多智能体，双指标超基线
PET（正电子发射断层成像）是肿瘤、神经和心脏疾病诊断中重要的分子影像手段，能无创显示体内代谢活动。但PET天生有痛点：光子符合计数有限，图像信噪比低。
去噪+分类一体两吃：这家新方法给USV分析送来“干净耳朵”
夜深人静，研究员对着硬盘里几十TB的野外小鼠录音发愁：录音里除了小鼠50kHz以上的超声“对唱”，还有空调、风扇、鼠笼碰撞、脚步等各色噪声，信号早被压到墙角。
扩散模型终于懂物理了！阳明交大×NVIDIA最新去雾：平均涨0.57dB
同样是扩散模型，凭什么HNDif去雾更猛？因为它不玩"纯噪声瞎猜"，而是把大气散射模型直接写进扩散过程：雾浓处多注噪声、雾淡处少注噪声，反向再联合去雾去噪。四个主流去雾骨干、六个基准数据集，平均PSNR提升0.57dB。想给自家去雾模型"插管提速"？这篇值得细读。
最新理论证明：展开网络只相当于多项式滤波器，图像去噪还能这么玩？
算法展开（Algorithm Unrolling）一直是可解释深度学习的招牌做法，把迭代优化变成可学习的网络。这篇论文却给这个招牌泼了一盆冷水：图拉普拉斯去噪器的展开网络，无论怎么学，都只是多项式图滤波器，而且可达集还是测度零的严格子集——值得所有做可解释深度学习的人看一眼。
