합성에서 실환경 노이즈 제거로의 전이 학습: 적응형 인스턴스 정규화를 활용한 방법

실노이즈 제거는 실존하는 노이즈의 통계적 특성이 정규분포를 따르지 않고, 공간적·시간적으로 변화하기 때문에 도전적인 과제이다. 다양한 복잡한 실노이즈에 대응하기 위해, 일반화 능력이 뛰어난 제거 아키텍처와 전이학습 기반의 학습 전략을 제안한다. 구체적으로, 적응형 인스턴스 정규화(adaptive instance normalization)를 도입하여 특징 맵을 정규화하고, 학습 데이터셋에 과적합되는 것을 방지하는 디노이저를 구현한다. 또한, 합성노이즈 데이터로부터 학습한 지식을 실노이즈 제거 모델로 전이하는 전이학습 전략을 도입한다. 제안된 전이학습 전략을 통해 합성노이즈 제거 모델은 다양한 합성노이즈 데이터로부터 일반적인 특징을 학습할 수 있고, 실노이즈 제거 모델은 실제 데이터로부터 실존 노이즈의 특성을 학습할 수 있다. 실험 결과, 제안한 제거 방법은 뛰어난 일반화 능력을 보였으며, 합성노이즈 데이터로 학습된 본 연구의 네트워크가 발표된 논문들 중에서 다름슈타트 노이즈 데이터셋(Darmstadt Noise Dataset, DND)에서 최고의 성능을 달성하였다. 또한, 매우 적은 수의 레이블 데이터만으로도 학습함으로써 제안한 전이학습 전략이 실노이즈 이미지 처리에 대해 뛰어난 안정성과 유연성을 보임을 확인할 수 있었다.