P4 - Toward Convolutional Blind Denoising of Real Photographs.pdf
這篇論文不同於其他論文去雜訊的雜訊生成，大部分論文的去雜訊都是針對AWGN高斯白雜訊，然而現實圖片的雜訊通常不會是簡單的白雜訊，包括熱雜訊、拍照時的脈衝雜訊等等，這些雜訊通常叫為複雜，對還原回無雜訊圖片的難度也較高。
當中論文有提出傳統降噪BM3D，對雜訊估計有非對稱敏感性的特性，即若今天有張雜訊圖片準備作BM3D的降噪，且他的高斯雜訊為 zero-mean、標準差為a，若此時雜訊估計小於真實的標準差a，降噪結果會很明顯很差; 若雜訊估計剛好為本身的標準差a，得出的降造效果是最好; 但若雜訊估計的標準差大於真實雜訊標準差a時，得到的降噪圖片是在可接受範圍內的，只有在低對比的地方會有被平滑掉的感覺。
所以這篇論文提出一個根據傳統AE(auto-encoder)的變形: FCN(Fully Convolution Network) 作為雜訊估計，U-Net作為non-blind denoising。