唯一的假设：是噪声在测量的不同维度上表现出统计独立性，而真实信号表现出一定的相关性。
对于一个广泛的函数类(J-invariant)则是可以单独从含早数据中估计去噪器的性能。这使得我们可以校准任何参数化去噪算法的J-invariant版本，从中值滤波器的单一超参数到深度神经网络的数百万权重。
问题：希望从高维测量值中重建信号，这些测量值被损坏。欠采样或其他噪声。然而，被研究对象通常是非常结构化的，不同特征的值是高度相关的。
方法如果被研究对象空间的潜在维度数远低于测量的未读数，在没有任何关于信号或者噪声的先验知识的情况下，可以隐式地学习该结构，对测量进行去噪，并恢复信号。

(a)方框表示测量x的尺寸。J是维度数的一个子集，f是一个J-invariant函数：它具有f(x)的值限制在维度数J，$f(x{)}_J$不取决于限定于J的x的值，$x_J$。这使得当数据中的噪声是在维度集合之间是条件独立的时候，可以进行自监督。这里给出3个维度划分的例子。
(b)两个独立的图像采集
©单幅图像的独立像素
(d)单个细胞中的独立检测的RNA分子