Recorrupted-to-Recorrupted（R2R）作为一种自监督学习方法，近年来被广泛用于仅基于噪声测量数据训练深度图像恢复网络，其在高斯噪声假设下已被证明在期望意义上等价于监督学习中的平方损失。然而，该方法在非高斯噪声条件下的有效性尚未得到充分探索。本文提出了一种广义R2R（Generalized R2R，简称GR2R）框架，将原始R2R方法拓展至更广泛的加性噪声分布，包括对数瑞利（log-Rayleigh）噪声，并进一步适用于自然指数族噪声分布，如泊松（Poisson）和伽马（Gamma）噪声，这些噪声模型在低光子成像、合成孔径雷达（SAR）等实际应用中具有关键作用。本文理论分析表明，GR2R损失函数是监督损失的无偏估计量，且现有广泛应用的Stein无偏风险估计器（Stein’s Unbiased Risk Estimator, SURE）可被视为GR2R的一个特例。通过在高斯、泊松和伽马噪声条件下的系列实验验证，GR2R在多种噪声场景下均表现出优异的恢复性能，显著优于现有的其他自监督学习方法，充分证明了其在复杂噪声环境下的有效性与泛化能力。