AWGN 기반 잡음 제거기가 실제 잡음과 만나다

차별적 학습 기반 이미지 노이즈 제거 알고리즘이 Additive White Gaussian Noise (AWGN)와 같은 합성 노이즈에 대해 유망한 성능을 달성하였습니다. 그러나 대부분의 이전 연구에서 사용된 합성 노이즈는 픽셀 간 독립적이지만, 실제 노이즈는 주로 공간적으로/채널 간 상관 관계가 있으며 공간적으로/채널 간 변동성이 있습니다. 이러한 도메인 간 차이는 모델이 AWGN만으로 훈련되었을 때 실제 노이즈가 있는 이미지에서 만족스럽지 않은 성능을 초래합니다. 본 논문에서는 AWGN 중심의 합성 픽셀 독립형 노이즈 데이터로만 훈련된 실제 이미지 노이즈 제거기의 성능을 향상시키는 새로운 접근 방식을 제안합니다. 먼저, AWGN과 Random Value Impulse Noise (RVIN)를 혼합하여 사용하는 노이즈 추정기와 노이즈 제거기로 구성된 깊은 모델을 훈련시킵니다. 그 다음, 훈련된 모델을 실제 노이즈에 적응시키기 위해 Pixel-shuffle Down-sampling (PD) 전략을 조사합니다. 광범위한 실험 결과가 제안된 접근 방식의 효과성과 일반화 능력을 입증하였습니다. 특히, 합성 노이즈로만 훈련된 모델들 중에서 본 방법론은 DND 벤치마크에서 실제 sRGB 이미지에 대해 최고 수준의 성능을 달성하였습니다. 코드는 https://github.com/yzhouas/PD-Denoising-pytorch 에서 확인할 수 있습니다.