去噪:有监督、自监督和无监督，57页ppt

早期的基于学习的去噪方法需要监督，即它们需要成对的干净和噪声数据进行训练。虽然理论上适用于许多类型的数据和噪声，但在实践中，对配对的要求大大限制了它们的适用性。

后来，社区开发了自监督方法，只需要未配对的噪声数据进行训练。这种方法基于对噪声性质的假设，这些假设通常(但并不总是)正确。

最后，无监督方法，针对数据和噪声训练深度生成模型。与自监督方法一样，它们可以只用噪声数据进行训练。这些方法不是输出单个去噪图像，而是允许我们通过产生可能解决方案的样本来考虑去噪过程中的不确定性。

本次演讲将概述这三种方法以及它们的优点和局限性。