虽然图像去噪算法在过去几十年中经历了广泛的研究和进步，但经典的去噪技术通常需要多次迭代才能进行推理，这使得它们不太适合实时应用。
深度神经网络的出现带来了范式转变，使非迭代、前馈数字图像去噪方法得以开发成为可能。
这些基于 DNN 的方法表现出显着的功效，在保持高去噪精度的同时实现了实时性能。然而，这些基于深度学习的数字降噪器需要权衡取舍，需要高成本、资源和功耗密集型图形处理单元才能运行。
在发布在《光：科学与应用》上的一篇文章中，由美国加州大学洛杉矶分校的Aydogan Ozcan教授和Mona Jarrahi教授以及英国伦敦大学学院的Kaan Akşit教授领导的一组研究人员开发了一种物理图像降噪器，该降噪器由空间工程衍射层组成，以光速处理嘈杂的输入图像，并在其输出视场中合成去噪图像，而无需任何数字计算机科学。
在计算机上进行一次性训练后，将生成的视觉处理器及其无源衍射层制成，形成物理图像降噪器，该物理图像降噪器可散射出与输入图像的不需要噪声或空间伪影相关的光学模式。
通过其优化设计，该衍射视觉处理器保留了代表输入图像所需空间特征的光学模式，并将失真降至最低。
因此，它可以立即在其输出视野内合成去噪图像，而无需数字化、存储或传输图像，以便数字处理器对其采取行动。通过抑制强度和相位编码输入图像中的盐和胡椒噪声，验证了这种全光学图像去噪方法的有效性。
此外，使用太赫兹辐射和 3D 制造的衍射降噪器对这种物理图像去噪框架进行了实验演示。
这种全光图像去噪框架具有低功耗、超高速和紧凑尺寸等几个重要优势。
研究团队设想，这些全光学图像降噪器的成功可以促进全光学视觉处理器的发展，以解决成像和传感中的各种逆向问题。
