要約
高速な推論と優れた性能により、判別学習手法は画像ノイズ除去の分野で広く研究されてきました。しかし、これらの手法は主に各ノイズレベルに対して特定のモデルを学習し、異なるノイズレベルを持つ画像のノイズ除去には複数のモデルが必要となります。また、空間的に変動するノイズに対応する柔軟性に欠けており、実際のノイズ除去における応用が制限されています。これらの問題を解決するために、入力として調整可能なノイズレベルマップを持つ高速かつ柔軟なデノイジング畳み込みニューラルネットワーク（FFDNet）を提案します。提案されたFFDNetはダウンサンプリングされた部分画像上で動作し、推論速度とデノイジング性能の間で良好なバランスを達成しています。既存の判別型デノイザーと対比すると、FFDNetは以下の望ましい特性を持っています。(i) 単一のネットワークで広範囲のノイズレベル（すなわち[0, 75]）を効果的に処理できる能力、(ii) 非一様なノイズレベルマップを指定することで空間的に変動するノイズを除去できる能力、(iii) ベンチマークであるBM3Dよりも高速でありながら、CPU上でもデノイジング性能を犠牲にすることなく動作する能力です。合成および実際のノイジー画像に対する広範な実験が行われ、FFDNetが最先端のデノイザーと比較して評価されました。結果はFFDNetが効果的かつ効率的であることを示しており、実際のデノイジング応用において非常に魅力的な手法となっています。