| CNN | 复数域2DCNN[26]
| BrainWeb模拟脑数据库
| 分离实部和虚部处理，较好保留DWI完整信息，优于仅处理幅值图像的方法 | 目前主要用于2D切片，未来可扩展至3D重构，并结合多b值/多方向DWIs进一步提升降噪性能 |
Guided DnCNN[27]
| 30名真实患者的前列腺MRI数据集
| 通过双输入引导和特征融合机制，利用低b值DWIs的解剖结构信息，提升高b值DWIs的降噪质量并减少过平滑 | 可进一步优化融合策略和注意力机制；结合k空间与图像域加速技术，有望实现更高效的加速重建
|
Residual DnCNN[28]
| 真实采集的带噪声DWIs与合成数据集
| 用残差学习预测噪声映射，兼顾降噪效率与细节保留，验证了方法在高维任务中的可行性 | 可探索更少平均次数输入以提升速度，并与运动校正模块结合，以适应临床动态场景 |
Enhanced SURE-based Method[29]
| fastMRI数据集和Siemens Healthineers数据集
| 仅需输入图像，无需额外噪声先验或扫描设定；利用相邻图像互补信息提升降噪效果 | 已在fastMRI和西门子7 T场强设备上验证，后续可推广到其他解剖部位，如腹部、膝部DWIs |
DeepDTI[31]
| Human Connectome Project(HCP)数据集
| 仅需1个b0图像和6个DWIs即可生成与90个DWIs接近质量的DTI，显著加快采集过程
| 方向敏感性可能受个体差异和扫描设备影响，需在更多临床人群和不同扫描协议下验证其泛化能力与诊断价值 |
| SDnDTI[32]
| HCP数据集
| 通过子集划分进行损失约束，可在有限样本条件下有效利用7例DWIs进行自监督学习
| 对极高分辨率或超低信噪比DTI数据，可能需调整子集划分策略，并使用更多DWI方向或更先进的张量拟合方法 |
JD-CNN[39]
| 真实采集的低SNR数据和病例数据以及模拟数据集
| 同时输入所有b值的DWIs，利用跨b值结构相关性联合降噪，增强高b值DWIs的降噪能力 | 虽未假设噪声分布，但主要在高斯噪声下测试；未来需验证其在更复杂噪声模型下的表现
|
1D-CNN[13]
| HCP数据集以及模拟数据
| 以重建图像作为监督目标进行训练和评估，可较好解决高b值DWI中SoS重建所引入的噪声 | 效果依赖高质量参考图像，限制了直接应用范围；后续需扩大数据规模并增强模型鲁棒性
|
SSECNN[44]
| 心脏DTI数据
| 利用不同扩散方向DWI的结构相似性构建自监督信号，并设计Sobel加权损失，有效抑制过平滑 | 可结合深度学习模型提取更具语义的切片相似性度量，进一步提升匹配精度和降噪效果
|
MCNN[47]
| 真实采集的健康受试者、多发性硬化症患者数据以及合成的训练数据
真实采集的健康受试者、多发性硬化症患者数据以及合成的训练数据
| 直接在幅度图像上完成训练和推理，输入与输出均为SoS图像；标准重建下对噪声峰值伪影更鲁棒 | 对重建顺序高度敏感；当重建流程变为“先切分后线圈组合”时性能明显下降，不推荐用于高加速场景
|
CCNN[47]
| 在复数图像上直接训练与推理，处理实部和虚部信息，较适用于平滑相位并能适应重建顺序变化 | 基于编码算子的CNN具有较大潜力，可为更强深度学习重建模型提供方向
|
| GNN | Node2Node[34]
| 离体猪心脏、在体人类心脏以及合成数据集
| 将不同方向DWIs视为图节点，并结合图卷积小波变换进行频谱分解与信息匹配，可同时滤除噪声和谐波干扰，提升结构感知能力 | 心脏成像易受运动影响，未来可结合运动校正；图信号处理计算开销较大，还需探索更高效实现以满足实时或准实时需求
|
| 扩散模型 | Di-Fusion[46]
| Stanford HARDI、Sherbrooke 3-Shell和PPMI数据集
| 基于J-invariance优化，仅用成对噪声DWIs训练，并通过迭代式精炼实现高保真重建，在复杂噪声下仍可保留DWIs结构细节 | 可进一步探索将dMRI物理模型，融入扩散模型或损失函数中，以增强物理可解释性
|
DDM2[41]
| Sherbrooke 3-Shell、Stanford HARDI、PPMI以及真实采集数据
| 提出三阶段协同策略：先学习噪声分布，再桥接真实噪声与扩散过程，最后生成高质量降噪图像，实现由弱到强的降噪 | 推理耗时较长，难以满足实时需求；后续可通过推理加速、数据一致性约束及防止结构幻觉等策略进一步改进 |