Gaussian Denoiser를 넘어서: 이미지 노이즈 제거를 위한 깊은 CNN의 잔차 학습

최근, 이미지 노이즈 제거를 위한 판별 모델 학습이 우수한 노이즈 제거 성능으로 인해 상당한 주목을 받고 있습니다. 본 논문에서는 매우 깊은 구조, 학습 알고리즘 및 정규화 방법의 발전을 이미지 노이즈 제거에 통합하기 위해 순방향 전달 노이즈 제거 컨벌루션 신경망(DnCNNs)의 구성을 조사합니다. 특히, 잔차 학습(residual learning)과 배치 정규화(batch normalization)를 활용하여 학습 과정을 가속화하고 노이즈 제거 성능을 향상시키는 데 중점을 두었습니다.기존의 판별적 노이즈 제거 모델들은 일반적으로 특정 노이즈 수준에서 가법성 백색 가우시안 노이즈(AWGN)에 대해 특정 모델을 학습하지만, 우리의 DnCNN 모델은 알려지지 않은 노이즈 수준의 가우시안 노이즈 제거(blind Gaussian denoising)를 처리할 수 있습니다. 잔차 학습 전략 덕분에 DnCNN은 은닉 계층에서 잠재적인 깨끗한 이미지를 암묵적으로 제거합니다. 이 특성이 우리에게 여러 일반적인 이미지 노이즈 제거 작업(예: 가우시안 노이즈 제거, 단일 이미지 초해상도 증진, JPEG 이미지 디블록킹)을 하나의 DnCNN 모델로 해결하도록 동기를 부여합니다.우리가 수행한 광범위한 실험 결과는 우리의 DnCNN 모델이 여러 일반적인 이미지 노이즈 제거 작업에서 높은 효과를 보이는 것뿐만 아니라, GPU 컴퓨팅의 이점을 활용하여 효율적으로 구현될 수 있음을 입증하였습니다.