تُقيَّم خوارزميات إزالة الضوضاء من الصور باستخدام صور مُتضررة بضوضاء اصطناعية، مما قد يؤدي إلى استنتاجات خاطئة بشأن أدائها في ظل الضوضاء الحقيقية. في هذا البحث، نقدّم مجموعة بيانات مكوّنة من صور ملونة مُتضررة بضوضاء طبيعية ناتجة عن ظروف إضاءة ضعيفة، إلى جانب صور منخفضة الضوضاء مُحاذاة فضائيًا وبنسبة شدة مع الصور نفسها. كما نقدّم طريقة لتقدير مستوى الضوضاء الحقيقي في صورنا، نظرًا لأن الصور المنخفضة الضوضاء لا تزال تحتوي على كميات صغيرة من الضوضاء. ونُقيّم دقة طريقتنا في تقدير الضوضاء على ضوضاء حقيقية واصطناعية، ونستعرض نموذج الضوضاء البويزيان-الغاوسي. وأخيرًا، نستخدم مجموعة البيانات لدينا لتقييم ست خوارزميات لإزالة الضوضاء: الحقل العشوائي النشط (Active Random Field)، وBM3D، وBilevel-MRF، والشبكة العصبية متعددة الطبقات (Multi-Layer Perceptron)، ونُسختين من خوارزمية NL-means. ونُظهر أن بينما تتفوّق خوارزميات الشبكة العصبية متعددة الطبقات، وBilevel-MRF، وNL-means مع الحد الأقصى الناعم (soft threshold) على خوارزمية BM3D في الصور الرمادية المُتضررة بضوضاء اصطناعية، فإنها تُظهر أداءً أقل من BM3D في مجموعتنا من البيانات.