一般化されたRecorrupted-to-Recorrupted：ガウスノイズを越えた自己教師学習

Recorrupted-to-Recorrupted（R2R）は、ノイズを含む測定データのみを用いて、自己教師ありの形で画像復元用の深層ネットワークを学習するための手法として登場し、ガウスノイズの下では、教師ありの二乗損失と期待値において等価であることが示されている。しかし、非ガウスノイズにおけるその有効性については未解明のままである。本論文では、R2Rフレームワークを拡張し、対数レイリー分布など加法的ノイズの広いクラスを扱えるようにした一般化R2R（GR2R）を提案する。さらに、ポアソン分布やガンマ分布を含む自然指数族に属するノイズ分布に対応し、低光子イメージングや合成開口レーダ（SAR）など多くの応用分野で重要な役割を果たすノイズモデルを扱う。我々は、GR2R損失が教師あり損失の不偏推定量であることを示し、広く用いられるシュタインの不偏リスク推定量（Stein’s unbiased risk estimator）がその特殊なケースであることを明らかにする。ガウスノイズ、ポアソンノイズ、ガンマノイズを用いた一連の実験により、GR2Rの有効性が検証され、他の自己教師あり手法と比較して優れた性能を示した。