깊은 합성곱 신경망(CNNs)는 가법 백색 가우시안 노이즈(AWGN)를 포함한 이미지 노이즈 제거에서 뛰어난 성공을 거두었지만, 실제 세계의 노이즈가 있는 사진에서는 성능이 한계에 직면해 있습니다. 이는 그들이 학습한 모델이 단순화된 AWGN 모델에 쉽게 과적합되며, 이 모델이 복잡한 실제 세계의 노이즈 모델과 크게 벗어나기 때문입니다. 깊은 CNN 노이즈 제거기의 일반화 능력을 향상시키기 위해, 더 현실적인 노이즈 모델과 실제 세계의 노이즈-클린 이미지 쌍을 사용하여 합성곱 블라인드 노이즈 제거 네트워크(CBDNet)를 훈련하는 것을 제안합니다. 한편으로는 신호 종속적 노이즈와 카메라 내부 신호 처리 파이프라인을 고려하여 현실적인 노이즈 이미지를 합성하고, 다른 한편으로는 실제 세계의 노이즈가 있는 사진과 거의 노이즈가 없는 대응 사진들을 포함하여 CBDNet을 훈련합니다. 또한, 노이즈 수준 저평가를 억제하기 위한 비대칭 학습을 수행하는 노이즈 추정 서브네트워크를 CBDNet에 내장하여,诺伊兹去除结果可以方便地进行交互式校正。为了进一步提供一种方便的交互式策略来校正去噪结果，CBDNet嵌入了一个具有非对称学习以抑制噪声水平低估的噪声估计子网络。 （注：由于最后一句中出现了中文，我将其翻译为韩文如下）또한, 노이즈 수준 저평가를 억제하기 위한 비대칭 학습을 수행하는 노이즈 추정 서브네트워크를 CBDNet에 내장함으로써,诺伊兹去除结果可以方便地进行交互式校正。为了进一步提供一种方便的交互式策略来校正去噪结果，CBDNet嵌入了一个具有非对称学习以抑制噪声水平低估的噪声估计子网络。修正后的句子：또한, CBDNet에는 비대칭 학습을 통해 노이즈 수준 저평가를 억제하는 노イズ 추정 서브네트워크(Noise Estimation Subnetwork)가 내장되어 있어, 간편하게 상호작용 방식으로 노이즈 제거 결과를 수정할 수 있도록 합니다.세 가지 실제 세계의 노이지 사진 데이터셋에서 광범위한 실험 결과는 CBDNet의 성능이 기존 최신 기술들보다 정량적 지표와 시각적 품질 면에서 우수함을 명확히 입증하였습니다. 코드는 https://github.com/GuoShi28/CBDNet에서 제공됩니다.