本文识别了去噪模型训练损失中的奇点源，导致预测向源或目标分布均值归零。提出了一种新模型——线匹配模型（LMM），提高了采样效率和生成样本的保真度，在多个基准数据集上取得了先进的FID分数。

本研究提出了MSSIDD数据集，评估去噪模型在不同传感器间的迁移能力，并设计了传感器一致性训练框架，以提高模型的泛化能力。

本研究提出AnyLogo零样本区域定制器，通过精简的扩散系统和双子状态，提高主题传输效率，解决定制化保真度问题，并在单个去噪模型中有效回收签名。

本研究介绍了自然图像噪声数据集（NIND），用于训练盲目去噪模型，展示了在不同ISO噪声水平下的优越性能。NIND数据集开放可用，适用于未来的图像去噪应用。研究还探讨了多种去噪方法，包括基于神经网络的技术和弱监督学习方法，均在不同场景中表现出色。

本文介绍了一种新的低剂量CT图像质量改善方法——结构敏感多尺度生成对抗网络（SMGAN）。该方法通过三维体积信息和不同损失函数训练去噪模型，有效保留CT图像的结构和纹理信息，显著抑制噪声和伪影，优于现有方法。

DBF是一种视频多模态融合去噪模型，使用瓶颈机制过滤噪声和冗余信息，并采用互信息最大化模块来调节过滤器以保留关键信息。实验表明，该模型在多个基准测试中都有显著的改进效果，可以有效地从嘈杂和冗余的视频、音频和文本输入中捕捉到显著特征。