本文提出了一种新型非凸正则化器，通过学习实现变分去噪，具有较少参数和良好解释性。实验结果表明，该去噪器在CT和MRI重建中性能优于传统方法，展现出良好的泛化能力和稳定性。

基于分数的逆扩散算法生成高质量样本，证明深度神经网络能学习高维密度。降噪DNN在非重叠的数据集子集上训练，学习相同评分函数和密度，只需少量训练图像。去噪器在适应底层图像的基础上执行收缩操作，生成几何自适应谐波表示。经过训练的去噪器在训练于低维流形等图像类别时也能生成此表示。网络在已知最优基础为几何自适应谐波的常规图像类别上训练时，去噪性能接近最优。

本文研究了深度神经网络在降噪训练中学习高维密度的能力，并证明了这种学习是真实的连续密度。经过训练的去噪器具有几何自适应谐波表示的偏好，并在常规图像类别上进行训练时，网络的去噪性能接近最优。

该研究提出了一种利用单一图像进行自监督学习的方法，通过门控卷积进行特征提取和无参考图像质量评估引导训练过程。实验结果表明，该方法在合成和真实世界数据集上实现了最先进的去噪性能，证明了其在各种噪声去除任务中的有效性和实用性。