画像のノイズ除去は、特に高解像度画像や複雑なノイズパターンを扱う場合において、基本的かつ挑戦的なタスクである。従来の大多数の手法は、標準的なTransformerアーキテクチャに依存しているが、これらは計算量が高く、ノイズレベルの変動に対して適応性に欠ける傾向がある。本論文では、畳み込み演算における学習可能な拡張率（dilation rate）の力を完全に活用する新しいTransformerベースのモデルである「適応的拡張率変調Transformer（Adaptive Kernel Dilation Transformer, AKDT）」を提案する。AKDTは複数の層と独自に設計されたブロックから構成されており、特に新規に提案する「学習可能な拡張率モジュール（Learnable Dilation Rate, LDR）」を用いて、ノイズ推定モジュール（Noise Estimator, NE）を構築している。AKDTの中心となるNEは、標準的なTransformer構成要素とシームレスに統合され、ノイズ誘導型前向き伝播ネットワーク（Noise-Guided Feed-Forward Network, NG-FFN）およびノイズ誘導型マルチヘッド自己注意機構（Noise-Guided Multi-Headed Self-Attention, NG-MSA）を形成する。これらのノイズ制御型Transformerモジュールにより、従来にない高いノイズ除去性能を達成しつつ、計算コストを大幅に削減することが可能となる。複数の画像ノイズ除去ベンチマークにおける広範な実験結果から、AKDTは新たなSOTA（最良の結果）を達成し、実際のノイズおよび合成ノイズの両方に対して効果的に対応できることを示した。本研究のソースコードおよび事前学習済みモデルは、https://github.com/albrateanu/AKDT にて公開されている。