要約
深層畳み込みニューラルネットワーク（CNN）は、加法白色ガウシアンノイズ（AWGN）を含む画像のノイズ除去において著しい成功を収めていますが、実世界のノイジーな写真に対する性能は依然として制限されています。その主な理由は、学習されたモデルが単純化されたAWGNモデルに過学習しやすく、複雑な実世界のノイズモデルから大きく乖離しているためです。深層CNNデノイザーの汎化能力を向上させるために、より現実的なノイズモデルと実世界のノイジー・クリーン画像ペアを使用して畳み込みブラインドデノイジングネットワーク（CBDNet）を訓練することを提案します。一方では、信号依存型ノイズとカメラ内信号処理パイプラインを考慮して現実的なノイジー画像を合成します。他方では、実世界のノイジーな写真とそれらのほぼノイズフリーの対応物も用いてCBDNetを訓練します。さらに、デノイジング結果を便利に修正するためのインタラクティブ戦略を提供するために、非対称学習によりノイズレベルの低評価を抑制するノイズ推定サブネットワークがCBDNetに組み込まれています。実世界のノイジーな写真に関する3つのデータセットでの広範な実験結果は、定量的指標および視覚的品質においてCBDNetが最先端技術よりも優れた性能であることを明確に示しています。コードは https://github.com/GuoShi28/CBDNet で公開されています。この翻訳では、専門用語や技術的概念について一般的な日本語表現を使用し、文章構造も日本語の読みやすさと自然さを考慮しています。また、正式かつ客観的な科学技術系文章のスタイルに合わせて翻訳を行いました。原文との内容の一貫性も保たれています。