低照度Rawノイズ除去における学習可能性の向上：ペア化された実データとノイズモデリングの融合

低照度RAWノイズ除去は、計算写真術において重要な課題であり、ペアド実データを用いた学習ベースの手法が主流である。しかし、データ量の制限と複雑なノイズ分布が、ペアド実データの学習可能性にボトルネックをもたらしており、これにより学習ベース手法のノイズ除去性能が制限されている。この問題に対処するため、ノイズモデルに基づいてペアド実データを再構成する学習可能性向上戦略を提案する。本戦略は、ショットノイズ拡張（SNA）とダークシェーディング補正（DSC）の2つの効率的な技術から構成される。ノイズモデルの分離により、SNAはデータ量の増加によってデータマッピングの精度を向上させ、DSCはノイズの複雑性を低減することでデータマッピングの複雑性を軽減する。公開データセットおよび実画像環境における広範な実験結果から、本手法が最先端の性能を示すことが明らかになった。コードは以下のURLで公開されている：https://github.com/megvii-research/PMN。