画像ノイズのモデリングと合成は、多くのコンピュータビジョン応用において重要な側面です。長年、文献で広く使用されてきた加法白色ガウシアンノイズモデルや異方性（信号依存）ノイズモデルは、実際のセンサノイズの粗い近似しか提供していません。本論文では、最近の正規化フロー構造に基づいた強力かつ正確なノイズモデルであるNoise Flowを紹介します。Noise Flowは、既に確立された基本的なパラメトリックノイズモデル（例：信号依存ノイズ）と、正規化フローネットワークの柔軟性および表現力を組み合わせています。その結果、2500未満のパラメータを含む単一の包括的でコンパクトなノイズモデルが得られますが、複数のカメラやゲイン係数を表現することができます。Noise Flowは既存のノイズモデルを大幅に上回り、カメラキャリブレーションされたノイズレベル関数に対して1画素あたり0.42ナッツ（nats/pixel）の改善を示しています。これはサンプリングされたノイズの尤度において52%の改善に相当します。Noise Flowは、単純なパラメトリックモデルを超えて深層学習とデータ駆動型ノイズ分布を利用した最初の真剣な試みを代表しています。