如果你按照链接的文献（在兔子洞里走几层），你最终会看到 Kervann 和 Boulanger 2005 年的一篇论文 ——至少这是我得到的深度。

在那个链接的网页中，他们定义了基于补丁的图像降噪方法：

主要思想是将自适应邻域内的数据点的加权和与每个像素相关联。

所以一个补丁是单个图像的一个区域，就像一个卷积核，但它不卷积。

他们谈论自适应补丁，这意味着您需要（可能是随机）选择一个像素，然后调整使用的补丁大小，以便包含足够的周围信息来重现同质补丁作为输出。

似乎使用添加了噪声（加性高斯白噪声）的干净图像进行训练。这将通过减少方差来帮助提高最终模型的鲁棒性，但这样做也必须引入偏差来重新创建噪声以某种方式均匀的区域。如果向下滚动，上面的第一个链接显示了许多要降噪的典型图像示例。噪音并不总是那么均匀。

这是一张取自 2005 年论文的照片，其中显示了补丁区域（标记为黄色）。第 5 页对总体思路进行了很好的简短描述。他们工作中的补丁大小通常是$7 x 7$或者$9 x 9$在像素大小。