2023，TPAMI，Learnability Enhancement for Low-Light Raw Image Denoising: A Data Perspective，北京理工

该文章是22年那篇的扩展。

2022， ACM MM，Learnability Enhancement for Low-light Raw Denoising:Where Paired Real Data Meets Noise Modeling，北京理工

该文章最大的特点为在噪声模型中考虑了 Dark Shading Correction 的影响。

2021，ICCV，Rethinking Noise Synthesis and Modeling in Raw Denoising，港中文，商汤

该文章最大特点我认为是改善了 ELD（下文） 的校准噪声参数的方法，噪声模型建模方式本质为泊松-高斯参数标定模型。

2020，CVPR，A Physics-Based Noise Formation Model for Extreme Low-Light Raw Denoising，北京理工

该文章最大特点我认为是提出了一种为可用的现代数码相机校准噪声参数的方法，噪声模型建模方式为常见的 k-sigma 参数标定模型。

2020，ECCV，Practical Deep Raw Image Denoising on Mobile Devices，清华，旷世

该文章最大的特点在于使用了k-sigma变换，去掉数据的噪声强度对于ISO的依赖，某种程度上算是降低了训练数据的难度，本质上是借鉴VST(variance stabilizing transformations )的思想。

2019，CVPRW，Learning Raw Image Denoising with Bayer Pattern Unification and Bayer Preserving Augmentation，旷世

该文章在NTIRE 2019 workshop的raw denoising赛道上取得第一，最大特点在于说明了bayer降噪对于bayer格式一致性的要求。通过裁剪等方式统一噪声数据的bayer格式，再送入对于输入格式确定的降噪网络进行降噪。

2019，CVPR，Unprocessing Images for Learned Raw Denoising，Google

该文章我之前的博文有解读:读论文：Unprocessing Images for Learned Raw Denoising

2018，CVPR，Learning to See in the Dark，UIUC，Intel

该文章最大意义之一在于提出了SID数据集，用来做做研究不错。