相较于有监督深度降噪模型，仅利用给定的噪声图像本身就能完成降噪任务的无监督深度图像先验(deep image prior, DIP)降噪模型没有数据偏向(data bias)问题，具有更好的泛化能力。然而，DIP降噪模型较长的迭代训练步数导致其在执行效率方面仍有较大提升空间。为此，提出了一种改进的增速深度图像先验降噪模型(improved accelerated deep image prior-based denoising model, IADIP)。首先，使用多个主流有监督降噪模型处理输入的噪声图像，得到多个互补的初步降噪图像(称为预处理图像)。其次，以预处理图像作为网络输入并同时将预处理图像和噪声图像共同作为目标图像以降低DIP网络映射难度，为将DIP默认的4层UNet骨干网络简化为1层结构打下基础，从而大量减少迭代更新网络参数的计算代价。最后，在IADIP无监督迭代训练中，提出一种采用下采样技术实现的伪有参考图像质量度量，并基于该度量监控迭代过程中网络输出图像的图像质量，适时终止迭代训练以实现自动早停并确保网络输出图像的图像质量。当迭代终止时，IADIP网络输出图像即为最终的降噪后图像。大量实验表明：改进后的IADIP降噪模型的执行效率显著优于原DIP降噪模型，而其降噪效果也超过了当前主流的降噪算法。