建模和合成图像噪声在许多计算机视觉应用中是一个重要的方面。长期以来，文献中广泛使用的加性白高斯噪声和异方差（信号依赖）噪声模型仅能对实际传感器噪声进行粗略近似。本文介绍了一种基于最近归一化流架构的强大且精确的噪声模型——Noise Flow。Noise Flow将已建立的基本参数化噪声模型（例如，信号依赖噪声）与归一化流网络的灵活性和表达能力相结合。其结果是一个包含少于2500个参数的单一、全面且紧凑的噪声模型，却能够表示多种相机和增益因子。Noise Flow显著超越了现有的噪声模型，在相机校准的噪声水平函数上提高了0.42 nat/pixel，这相当于采样噪声似然性的52%提升。Noise Flow代表了首次尝试超越简单的参数化模型，利用深度学习和数据驱动的噪声分布来构建更复杂的模型。