图像去噪｜上海交大新方案：去噪模型砍掉90%参数，画质几乎无损
手机拍完照，噪点糊一脸？上海交大这个LiteKD-Net给出一个相当务实的答案：把重型去噪网络的参数砍掉90%、推理提速近2倍，再用知识蒸馏把画质“回填”回来，最终效果直逼大模型。做移动端部署的团队，这篇值得一读。
标签：图像去噪
共 29 篇
宁波联队新作：重尾残差下PG噪声稳健估算，PSNR再涨1.9dB
当你在暗光下按下快门，CMOS传感器捕获的RAW数据里，既有光子打上去的散粒噪声，又有电路本身的读取噪声，混合在一起，让那些在实验室里表现神勇的“高斯去噪器”瞬间歇菜。这篇论文不打新网络架构，而是从噪声建模的老祖宗——方差稳定化出发，用一招“甩锅”重尾残差的稳健拟合，愣是把GAT+预训练模型这条老路走通了，而且走得很稳。对于想省掉重新训练模型成本、直接用现有
清华等提出LoTA-N2N：自监督去噪最新SOTA
自监督去噪一直以来都存在一个隐忧：没有干净图像作为目标，构造的代理损失和真正想要的监督损失之间到底差了多少？这篇清华等高校的论文从“迹”差距入手，把各种自监督方法统一到同一个分析框架下，并发现全局迹很小可能掩盖局部大幅正负抵消。为此提出的LoTA-N2N，通过两阶段设计先预训练再局部迹抑制，无需配对数据、无需预知噪声模型，就在21/24个测试设置上拿到零样本
可穿戴ECG去噪对比：DWT降噪最强，SDAE形态最佳
在穿戴健康和航天监测等场景中，ECG去噪是关键预处理步骤。这篇论文用真实上臂数据对比了六种方法，结论一反常规：深度学习未必在所有指标上胜出，小波变换在降噪强度上反而更强。而且实验设计得很严谨，放松和肌肉收缩两种真实噪声条件都有，这比合成噪声实验更有说服力。如果你正在做可穿戴ECG相关的研究，这篇对比能帮你少走弯路。
SSIM筛图替代去噪？CURE-OR结果更强
这篇论文的思路很“反直觉”：不是把坏图硬修好，而是先把明显拖后腿的低质图筛掉。对自动驾驶、目标识别这类任务来说，这种“减法思维”往往比盲目去噪更实用。
CVPR 2026思路：Bricker+BRACE让屏幕条纹去除更稳了
屏幕拍照最烦的不是糊，而是那层像“屏幕自带纹身”的闪烁条带。本文直接把问题拆成数据集和模型两块，Bricker 负责把复杂退化喂给模型，BRACE 负责把条纹按住。
中科大西湖大学新作：8.9M参数去模糊还更强
盲去模糊最烦的不是“模糊”，而是模糊里混着真纹理和假纹理，模型一不小心就把该保的细节也抹掉了。CogSENet的思路挺狠：先让网络学会“看场景”，再用频率分解把结构和细节拆开，最后拿连续模糊场去适配非均匀退化，工程味很足。
上海交大等提出VDeAR：LDCT去噪首次用上视觉自回归，细节更稳
低剂量CT去噪最怕两件事：一是把噪声抹掉，二是把病灶也顺手抹掉。VDeAR偏偏换了个思路，用视觉自回归做下一尺度预测，再拿残差细化器补高频细节，思路挺新，结果也挺能打。
ICF去噪新框架：对数域自监督，PSNR冲到21.41dB
这篇论文最有意思的地方，不是“又做了一个去噪器”，而是把ICF图像里最难缠的乘性均匀噪声，硬生生改写成了对数域里的可学问题。更关键的是，它还老老实实把实现里踩过的坑摊开讲了，属于既能看理论，也能学落地的那种文章。
BM3D和Noise2Self都输了：ICF去噪新框架来了
这篇论文最有意思的地方，不是去噪本身，而是它把“乘性噪声”硬生生拧成了“对数域里的加性噪声”，再用自监督把训练目标做成等价监督学习。更关键的是，它不是纸上谈兵，最后真把 ICF 这种难缠图像的 PSNR 拉到了 21.41 dB。
清华P2G把噪声拧成高斯，去噪最高提0.75dB
这篇论文把“真实噪声太难学”这件事，拆成了先高斯化、再去噪两步走，思路很顺手。更关键的是，它不是只会讲理论，还能直接给现成去噪器加 buff，实用性很强。
Nyström把核方法瘦身了：大规模去噪还能省算力
这篇论文把“核方法太慢”这件老毛病，直接交给Nyström子采样来处理，而且不是只顾着快，还给出了向量值回归场景下的收敛理论。更关键的是，它把去噪这类很实用的问题也一起纳入框架，属于既能打理论、又能落地的那种。
