ガウス除燥を超えて：深層CNNの残差学習による画像除燥

画像のノイズ除去における識別モデル学習は、その優れたノイズ除去性能により最近注目を集めています。本論文では、深層アーキテクチャ、学習アルゴリズム、正則化手法の進歩を画像のノイズ除去に取り入れるため、前向き伝播型のノイズ除去畳み込みニューラルネットワーク（DnCNNs）の構築について一歩進めます。具体的には、残差学習とバッチ正規化を用いて訓練プロセスを加速し、ノイズ除去性能を向上させることを目指します。既存の識別型ノイズ除去モデルは通常、特定のノイズレベルに対する加法白色ガウシアンノイズ（AWGN）に対して個別のモデルを訓練しますが、我々のDnCNNモデルは未知のノイズレベルを持つガウシアンノイズ除去（つまり、盲目的なガウシアンノイズ除去）に対応できます。残差学習戦略により、DnCNNは隠れ層で潜在的なクリーン画像を暗黙的に削除します。この特性に基づき、我々は単一のDnCNNモデルを訓練して、ガウシアンノイズ除去、単一画像超解像度化、JPEG画像デブロッキングなどの一般的な画像ノイズ除去タスクに対処することを提案します。我々が行った広範な実験結果から、DnCNNモデルはこれらの一般的な画像ノイズ除去タスクにおいて高い効果性を示すだけでなく、GPU計算による恩恵を受け効率的に実装できることも確認されました。