초록
실제로 풍부하고 현실적인 데이터가 부족하기 때문에, 학습된 단일 이미지 노이즈 제거 알고리즘은 학습에 사용된 데이터와 유사하지 않은 실제 원시 이미지에 대해 일반화 성능이 낮다. 노이즈 합성에 이질분산형 가우시안 모델을 적용함으로써 이 문제는 어느 정도 완화될 수 있으나, 디지털 카메라 전자 회로에서 발생하는 노이즈 원천은 여전히 무시되고 있으며, 특히 극도로 낮은 조도 환경에서 원시 측정에 미치는 영향이 크기 때문에 이는 중요한 문제이다. 이 문제를 해결하기 위해, CMOS 광감지 소자의 특성을 기반으로 한 매우 정확한 노이즈 생성 모델을 제안한다. 이를 통해 실제 이미지 형성 과정의 물리적 특성과 더 잘 부합하는 현실적인 샘플을 합성할 수 있다. 제안된 노이즈 모델을 바탕으로, 현재 사용 가능한 현대 디지털 카메라의 노이즈 파라미터를 보정하는 방법도 추가로 제안한다. 이 방법은 새로운 장비에 대해 간단하고 재현 가능하다. 기존 기법으로 학습된 신경망의 일반화 능력을 체계적으로 분석하기 위해, 다양한 브랜드의 여러 현대 디지털 카메라를 포함하는 새로운 저조도 노이즈 제거 데이터셋을 도입한다. 광범위한 실험 결과들은 우리 제안하는 노이즈 생성 모델을 활용할 경우, 네트워크가 풍부한 실제 데이터로 학습된 것과 마찬가지의 성능을 달성할 수 있음을 보여주며, 이는 제안된 노이즈 생성 모델의 효과성을 입증한다.