本研究提出DnLUT框架，旨在解决深度神经网络在边缘设备上的高计算和内存需求问题，实现高质量彩色图像去噪，存储仅500KB，能耗仅0.1%，推理速度提升20倍。

本研究提出了一种新的Prompt-SID框架，旨在自监督地保留图像结构细节，解决传统去噪方法的高成本和时间问题。通过潜在扩散模型和结构注意力模块，Prompt-SID在去噪效果上显著提升，尤其在处理不同分辨率的图像时表现优异。

图像去噪声是提升图像质量的重要技术，常用方法包括均值滤波、高斯模糊、非局部均值、双边滤波和形态学去噪。每种方法各有优缺点，适用于不同的噪声类型和应用场景。选择合适的去噪方法能有效改善图像处理效果。

本研究改进了总变差去噪方法，提出新模型和算法，有效去除多种噪声，确保解的唯一性和收敛性。实验显示，该方法在去噪质量上优于其他模型，提升了图像处理应用价值。

本研究提出了无监督视频去噪框架（TAP），通过融入时间信息解决了动态场景中视频去噪数据配对困难的问题，展示了优越的效果。

本研究旨在解决在低光环境下边缘设备捕获的噪声图像分类和去噪的问题。我们提出了一种新颖的架构，将这两项任务集成在一起，并优化计算效率，从而显著提高了人类对噪声图像的感知能力。该方法在去噪和分类性能上均优于传统设计，具有广泛的应用潜力，如医学成像和监控系统。

通过自适应采样/主动学习策略，扩展了通用降噪网络的训练方法，实现了训练时间缩短。在模拟噪声测试中，证明了通用降噪器网络可以在专业降噪器网络的界限内实现峰值信噪比。在小型图像数据集实验中，证明了自适应采样策略训练的通用降噪器优于基准模型。

本研究提出了一种利用残差U-Net架构的增强降噪模型，以提高ASOCT和PSOCT图像的清晰度。该模型在降噪和保持关键解剖特征方面表现出了显著的改进，优化了诊断过程。

本文介绍了一种利用生成对抗网络 (GAN) 进行图像去噪的新方法，结合了 Pix2Pix 模型和 WGAN-GP 模型，通过条件 GAN 和 Lipschitz 连续性约束实现了有效的图像去噪。实验结果显示该方法相对传统技术有显著提升。

本文介绍了一种新的高光谱图像去噪方法，利用泛光图像指导去噪过程，提供先验信息。作者提出了全景加权表示系数全变差（PWRCTV）用于平滑区域和边缘区域的权重分配。实验证明，PWRCTV 在指标和视觉质量方面优于其他方法，并提高高光谱图像分类任务性能。

本文介绍了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架。该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练，并在无噪声图像上表现出色。同时，还分析了SBD的泛化能力和CNNs的视野对其性能的影响。

本文通过理论分析和数值实验深入研究了使用变性数据的自监督降噪算法，讨论了算法在优化问题中找到期望解的同时，经验风险的保证取决于变性水平对降噪任务的难度。实验结果表明，使用变性图像进行训练的算法有效，并且经验性能与理论结果一致，为进一步改进使用变性数据进行自监督图像降噪提供了见解。

通过有效利用近红外图像辅助可见光图像去噪，提出了一种选择性融合模块（SFM）来解决近红外 - 可见光图像去噪的内容不一致和数据稀缺等问题，并通过综合全局和局部调节的方式实现了两种特征的融合。实验结果表明，该方法在合成和真实数据集上均取得了优于现有方法的效果，同时还提供了公开的数据集、代码和预训练模型。

计算机断层扫描（CT）通过投影图像计算物体内部结构的图像。近年来，深度学习在CT造影图像去伪影方面取得了好的结果。提出了一种多阶段深度学习伪影去除方法，实验证明该方法有效且优于基于深度学习的后处理方法。

本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构，解决了梯度消失和过参数化问题，具有最先进的性能和改进的结果。

基于模拟的推断（SBI）是一种用于从嘈杂数据中推断复杂模型参数的算法。研究人员提出了一种新型的无限制条件采样器CMPE，它结合了正态流和流匹配方法的优点，并能够快速进行少样本推断。实证评估表明，CMPE在低维和高维问题上都表现优异。

本文提出了隐式神经表示正则化器（INRR），用于提高隐式神经表示（INR）的泛化能力。INRR通过集成归一化的Dirichlet能量（DE）和INR来改善信号表示的泛化性能。作者进行了一系列实验来验证INRR的性质，并表明该方法可以提高其他信号表示方法的性能。

该研究利用扩散模型实现了逆转因成像模态的特性，解决了轴向分辨率挑战。自监督重建方法在无训练数据的情况下表现出优越性，具有生成先验的鲁棒性和优势。

该论文综述了198篇医疗决策支持的可解释人工智能解决方案，大多数采用了模型无关的可解释人工智能技术，深度学习模型被广泛应用。需要加强医疗和人工智能专家之间的合作，以指导可解释人工智能解决方案在医学领域的设计、实施和评估。

该文介绍了一种使用GAN架构和新型生成器损失的单向域映射方法，能够实现适当的图像转换，并通过皮片残差建立一个输入相关的比例图来准确预测不确定性。在三个医学数据集上评估，该方法相较于四种最先进方法，表现更准确，具有很大的潜力。