CDLNet: 깊은 합성곱 사전 학습을 통한 강건하고 해석 가능한 노이즈 제거

딥러닝 기반 방법은 이미지 노이즈 제거에서 최고의 결과를 보여주지만, 배치 정규화(batch-normalization), 잔차 학습(residual learning), 특성 영역 처리(feature domain processing)와 같은 잘 이해되지 않은 구성 요소로 인해 해석하기 어려운 문제를 가지고 있습니다. 펼쳐진 최적화 네트워크는 전통적인 반복 최적화 방법에서 구조를 유도하여 표준 딥러닝 도구 상자에서 사용되는 트릭 없이 해석 가능한 대안을 제시합니다. 지금까지 이러한 방법들은 최고 수준의 모델과 비슷한 성능을 보여주면서도, 해석 가능한 구조를 활용하여 비교적 낮은 학습된 매개변수 개수를 달성하였습니다. 본 연구에서는 펼쳐진 컨볼루션 사전 학습 네트워크(CDLNet)를 제안하고, 저 매개변수 개수 및 고 매개변수 개수 체제에서 모두 경쟁력 있는 노이즈 제거 성능을 입증합니다. 특히, 제안된 모델이 유사한 매개변수 개수로 확장될 때 최고 수준의 노이즈 제거 모델들을 능가하는 것을 보여줍니다. 또한, 모델의 해석 가능한 구조를 활용하여 네트워크의 임계값(thresholds)을 강화하여, 훈련 중에 경험하지 못한 노이즈 레벨에서도 최고 수준의 블라인드 노이즈 제거 성능과 거의 완벽한 일반화 능력을 제공할 수 있음을 제시합니다.