| NLM | Kafali[11] | 利用多次采集的共享结构，对凸集投影算法在各次采集中聚合的复值输出进行处理；能够有效校正相位误差并保留DWI图像细节． | 去噪性能受到块组尺寸的限制． |
| Liu[13] | 使用张量流形来度量扩散张量的相似度，并直接正则化DTI图像；在不模糊图像边界的同时，保留了张量的几何特征，并提高了FA图和纤维束追踪的精度． | 处理时间较长；无法去除原始DWI数据产生的背景噪声． |
| Chen[14] | 在x-q空间对DWI数据去噪；在不模糊图像边缘的同时，准确去除了复杂结构（如高度弯曲的白质结构）中的噪声． | 处理时间较长． |
| Chen[16] | 基于图框架变换，充分利用DWI数据的冗余，保留图像的边缘． | 需要较大的计算机内存． |
| PCA | Manjón[17] | 利用多扩散方向dMRI数据中的冗余，对局部块组奇异值进行阈值化，避免相似块组的搜索过程，减少了处理时间． | PCA阈值的选取存在主观性． |
| Chen[18] | 在两个独立的通道中，分别沿扩散维度，对具有扩散匹配特性相位校正后的DWI数据的实分量和虚分量进行去噪． | 处理时间较长． |
| Veraart[19,20] | 基于Marchenko-Pastur定律对空间变化的莱斯噪声进行估计，并提出客观的PCA阈值选取方法；利用多扩散方向dMRI数据的冗余． | 去噪性能严重依赖数据冗余量；存在噪声假设． |
| Llordén[24] | 在不需要满足Marchenko-Pastur定律假设的同时，充分利用了数据的线性和非线性冗余． | 去噪性能依赖核函数． |
| Olesen[25] | 修改Marchenko-Pastur分布，拓宽MPPCA的适用性；利用多维数据固有张量结构的每个维度来表征噪声，并递归估计信号成分，更好地利用多维数据中的冗余． | 去噪性能受到块组尺寸的限制；存在噪声假设， 即每个块组中的噪声是独立同分布的． |
| LRMA | Ma[26] | 联合VST和OSVS，对幅值dMRI数据去噪；在有效去除噪声和提高SNR的同时，提高了DTI图及交叉纤维估计的精度． | 基于VST的噪声估计会高估噪声标准差． |
| Zhang[28] | 通过全局HOSVD预去噪，在一定程度上减少了基于块匹配HOSVD阶段噪声退化对HOSVD基的影响． | 去噪性能依赖VST算法；当图像SNR较低时，会引入伪影． |
| Xu[29] | 联合基于HOSVD稀疏约束和莱斯噪声校正模型，直接对每个局部图像块进行去噪，无需VST技术，从原理上解决了伪影问题． | 去噪性能依赖参数设置． |
| Zhao[31] | 有效利用不同扩散方向DWI数据的冗余，尤其适用于较少扩散方向或较低b值的DWI数据． | 去噪性能受到块组尺寸的限制． |
全变分最
小化 | Knoll[33] | 通过对扩散张量元素施加全变分约束，直接在目标定量域中进行压缩感知；在加快采集速度的同时，显著减少了参数图中的噪声． | 仅在有限的数据上进行评估． |
| 贝叶斯 | Krajsek[34] | 基于贝叶斯框架对DTI图像进行重建和正则化；在保证张量正定性的同时，考虑了DTI的黎曼几何性质和莱斯噪声的统计特征． | 处理时间较长． |
| Liu[35] | 采用黎曼相似性度量和高斯混合模型学习块组的先验分布；利用贝叶斯推理自适应去噪的同时，保留了DTI图像的非线性结构． | 块匹配过程耗时，且高度依赖图像的先验知识． |
| 稀疏字典 | Kong[36] | 利用三维DTI数据相邻切片间的冗余来训练自适应稀疏字典． | 处理时间较长． |
| St-Jean[37] | 采用角度邻近匹配以提高稀疏性；通过字典学习进行局部去噪． | 处理时间较长． |