我们采用以下六个标准，用于对从损坏数据中学习的领域的研究进行分类：

1. **学习范式：**该标准区分模型如何从数据中学习：

   • 监督学习，如 Noise2Noise [39] 所示，涉及在损坏和干净图像对上训练模型。这种方法需要访问干净的数据，这可能并不总是可行的。
   • 无监督学习方法，如 AmbientGAN [7]，无需干净的目标即可从损坏的样本中学习干净数据的底层分布。
   • 自监督学习技术，例如 Noise2Void [38]，利用损坏图像中的固有结构来训练模型，从另一部分预测图像的一部分。

2. **损坏模型：**该标准侧重于损坏过程的性质：

   • 线性损坏模型假设干净图像的线性变换，如主要论文中的随机掩蔽或 AmbientGAN [7] 中的高斯测量。
   • 非线性损坏模型涉及更复杂的变换，例如图像压缩或对抗性扰动，给恢复带来了更大的挑战。
   • 未知损坏模型表示事先不知道损坏过程的场景，需要模型在训练期间学习或估计它，如 MisGAN [40]。

3. **模型架构：**此标准对所用模型的基础结构进行分类：

   • 扩散模型，如主要论文和 EDM [30] 中的模型，逐渐破坏数据，然后学习逆转此过程以生成或恢复图像。
   • 生成对抗网络 (GANs)，例如 AmbientGAN [7]，在竞争性训