要約
極端な低照度環境における可視性の向上は、困難な課題である。ほぼ光が存在しない状態では、従来の画像ノイズ低減手法は信号対ノイズ比（SNR）が極めて低いため、容易に性能を発揮できなくなる。本論文では、CMOSフォトセンサの画像処理パイプラインにおけるノイズ統計特性を体系的に分析し、実際のノイズ構造を正確に表現できる包括的なノイズモデルを構築した。本研究で提案する新規モデルは、従来の手法がほとんど無視しているデジタルカメラの電子回路由来のノイズ源に着目しており、暗所におけるRAW測定値に顕著な影響を及ぼすことが明らかになった。このモデルにより、複雑なノイズ構造を物理的な意味を持つ異なる統計分布に分解・分離することが可能となる。さらに、本ノイズモデルは、学習ベースの低照度ノイズ低減アルゴリズム向けに現実的な訓練データを合成する手段としても活用できる。近年、深層畳み込みニューラルネットワーク（DCNN）を用いた手法が有望な結果を示しているが、その成功は豊富なノイズあり／ノイズなし画像ペアの訓練データに大きく依存しており、実際の現場ではこれらを入手することは極めて困難である。また、訓練済みモデルを新たな機器からの画像に一般化する際も課題が残っている。本研究では、複数の低照度ノイズ低減データセット（本研究で新たに収集した多様な機器をカバーするデータセットを含む）を用いた広範な実験により、提案するノイズ生成モデルに基づいて訓練された深層ニューラルネットワークが、驚くべき高い精度を達成することを示した。その性能は、実際のノイズあり／ノイズなしペアを用いた訓練と比較しても同等、あるいは場合によってはそれを上回る結果を示し、実世界における極端な低照度撮影の新たな道を開くものである。