有幾種經典的深度學習去噪方法。提出了一種名為ResNet（Deep Residual Network）的殘差學習框架，它在不造成訓練困難的情況下實現了網絡深度的增加。與普通網絡相比，ResNet 在每兩層之間添加了一個快捷連接，形成殘差學習。殘差學習解決了深度網絡的退化問題，使我們能夠訓練更深的網絡。

基于ResNet的思想提出了用于圖像去噪任務的DnCNN（去噪卷積神經網絡）。不同的是，DnCNN并沒有像ResNet那樣每兩層添加一個shortcut連接，而是直接將網絡的輸出變成殘差圖像。DnCNN 學習噪聲圖像和干凈圖像之間的圖像殘差。能夠快速收斂，在較深的網絡條件下具有優異的性能。開發了U-net架構，它由收縮路徑和擴展路徑組成。

采用通用的編碼器-解碼器結構，并在原有結構的基礎上增加了跳躍連接。它可以有效保留原始圖像中的邊緣細節信息，并通過上采樣和下采樣防止過多的邊緣信息丟失。通過設置dropout層，即在訓練過程中隨機丟棄一些單元，解決了深度學習中難以處理的過擬合問題。提出了一種名為 DDAE（深度去噪自動編碼器）的新方法來衰減地震隨機噪聲。DDAE 將輸入地震數據編碼為多個抽象級別，然后對其進行解碼以重建無噪聲地震信號。