| 监督 | Cheng[44] | 1D CNN | 采用SOS-SENSE数据对训练；采用时域去噪，在有效减少训练数据量的同时，更能保留每个体素时间序列的一致性． | 两种重建方式获得的数据的噪声类型不同，影响去噪性能． |
| Jurek[45] | SRCNN | 采用迁移学习方式训练模型；对复值DWI数据去噪，在一定程度上减少了莱斯偏置的影响． | 容易造成边缘模糊． |
| Muckley[48] | U-Net | 对复值DWI数据去噪，显著去除了DTI参数图中的伪影；采用ImageNet数据集训练模型，能够抑制模型的过拟合． | 仅对单幅DWI图像去噪，忽略了图像间的相关性． |
| Wang[50] | U-Net | 使用共享连接路径隐式地从多b值DWI数据中提取特征，充分利用图像间的结构相关性． | 容易造成过度去噪． |
| Tian[57] | 3D CNN | 充分利用了DWI数据的局部和非局部空间信息及扩散编码方向和图像对比度中的冗余；将MRI图像作为训练集的输入，以防止去噪图像模糊． | 传统张量拟合方法对噪声较为敏感，去噪效果受到限制． |
| Li[58] | U-Net | 直接预测高质量DTI参数图，避免了传统张量拟合方法． | 仅预测单个类型DTI参数图． |
| 无监督 | Lin[60] | CNN | 基于DIP模型对多b值DWI图像同时去噪． | 采用的数据集类型较为单一． |
| Jurek[67] | SRCNN | 通过N2N范式训练去噪网络，性能优于幅度图像平均法． | 去噪图像存在部分背景噪声． |
| Fadnavis[68] | / | 利用多扩散方向DWI数据的冗余，特别适用于较少扩散方向数据；逐体素方式去噪． | 去噪性能依赖噪声假设． |
| 自监督 | Tian[70] | U-Net | 采用“先去噪后平均”的方法，保证输入图像具有更高的SNR；在有效去除噪声的同时，保留了图像的结构信息． | 去噪性能依赖扩散方向数量． |
| Yuan[71] | CNN | 采用SSIM匹配算法搜索含噪图像对；引入一种新的边缘加权损失函数，更好地保留纹理细节． | SSIM指标易受原始图像中噪声的影响． |
| Xiang[81] | / | 联合自监督统计去噪理论和扩散模型；逐切片方式去噪． | 处理时间较长． |