这篇论文是2020 CVPR上旷视提出来的一篇非常eleGANt的算法，该算法的特点网络结构比较小，通过一个k-sigma变换来解决小网络在不同增益噪声下的鲁棒性问题，网络结构如下图所示：
该论文提出了k-sigma变换，使用标定的k和sigma按照k-sigma公式变换后，原始的噪声分布就只和没有噪声的数据x ∗ 有关，因此就可以避免不同增益下噪声不同带来的负担。其具体原理可以参考：你手机中的夜景降噪算法-Raw域k-Sigma Transform - 知乎
基于GAN的模型获取成对的噪声图像和无噪声图像是非常困难的，因此有研究者使用了生成对抗网络（GAN）来生成成对图像用于训练模型，首先，训练GAN网络，通过含噪声的图像去学习噪声分布并生成噪声样本，以此来模拟真实场景下的噪声图像，解决HR图像缺少对应LR的问题；其次，训练CNN网络，利用上一步采样的噪声块来构建成对的训练数据集，该数据集用于训练CNN来对给定的图像去噪。网络结构如下：
https://arxiv.org/pdf/1803.04189.pdf
既然噪声图像和无噪声图像很难获取，那么是否可以只使用噪声图像就可以训练出好的噪声模型呢？由此研究者们提出了Noise2Noise模型，其原理其实很简单：
本来我们做图像降噪，需要输入的噪音图像 x，和 “干净样本” y。例如，x 是路径跟踪渲染用少数光束渲染的图片，y 是长期渲染后的图片。那么如果用 y 作为训练目标，生成 y 是个非常费时费力的过程。但其实你如果仔细想想，可以用另一次快速渲染生成的另一个噪音图像（它相当于 y 另一个不同的噪音）作为训练目标（所以叫Noise2Noise）。只要训练样本够多，最终也相当于用 y 作为训练目标。原因是简单的统计学原理。
参考链接图像去噪数据集 - 知乎
图像降噪算法——DnCNN / FFDNet / CBDNet / RIDNet / PMRID / SID_Leo-Peng的博客-CSDN博客_dncnn
深度学习——CBD-Net_浮生若梦，为欢几何耶的博客-CSDN博客_cbdnet噪声水平图估计怎么实现
图像盲去噪|GAN|GCBD - 知乎
图像去噪之 Noise2Noise 和 Noise2Void_涑月听枫的博客-CSDN博客_noise2noise
书籍：《深度学习之摄影图像处理》
,
