豊富で現実的なデータが不足しているため、学習された単一画像ノイズ除去アルゴリズムは、訓練データと類似しない実際のRAW画像に対して一般化能力が著しく劣る。ノイズ合成に異分散性ガウスモデルを用いることでこの問題は緩和されるが、デジタルカメラの電子回路に起因するノイズ源は、特に極端に低照度条件下においてRAW測定に顕著な影響を与えるにもかかわらず、依然として無視されがちである。本研究では、CMOSフォトセンサの特性に基づいた高精度なノイズ生成モデルを提示することで、画像形成プロセスの物理的挙動に忠実な実際のサンプルを合成可能にした。さらに、提案するノイズモデルを基に、現在利用可能な現代のデジタルカメラ向けに、新たなデバイスに対しても簡単かつ再現性のあるノイズパラメータのキャリブレーション手法を提案する。既存の手法で訓練されたニューラルネットワークの一般化能力を系統的に検証するため、複数のブランドにまたがる多数の現代的デジタルカメラをカバーする新たな低照度ノイズ除去データセットを構築した。広範な実証結果から、本研究で提案するノイズ生成モデルを用いることで、ネットワークが豊富な実データで訓練されたかのように高い性能を発揮できることを示した。これにより、本モデルの有効性が明確に裏付けられた。