극도로 어두운 조명 환경에서의 시각적 가시성 향상은 여전히 도전적인 과제이다. 거의 빛이 없는 조건에서 기존의 이미지 노이즈 제거 기법은 신호 대 잡음비(SNR)가 극도로 낮아져 쉽게 성능이 저하된다. 본 논문에서는 CMOS 광센서의 이미징 파이프라인 내부에서 발생하는 노이즈 통계를 체계적으로 분석하고, 실제 노이즈 구조를 정확히 특성화할 수 있는 종합적인 노이즈 모델을 제안한다. 본 연구에서 제안하는 새로운 모델은 디지털 카메라 전자회로에 의해 발생하는 노이즈 원천을 고려하며, 기존 방법에서는 거의 무시되지만 어두운 환경에서 원시 측정값에 상당한 영향을 미치는 요소들이다. 이 모델은 복잡한 노이즈 구조를 물리적 의미를 갖는 다양한 통계 분포로 분해할 수 있는 방법을 제공한다. 또한, 본 노이즈 모델은 기계학습 기반의 저조도 노이즈 제거 알고리즘을 위한 현실적인 훈련 데이터를 합성하는 데 활용될 수 있다. 최근 딥 컨볼루션 신경망을 활용한 기법들은 유망한 결과를 보여주고 있으나, 이들의 성공은 풍부한 노이즈가 포함된 쌍(정제된 이미지와 노이즈가 포함된 이미지)을 훈련 데이터로 필요로 하며, 실질적으로 이러한 데이터를 확보하는 것은 극도로 어렵다. 게다가, 훈련된 모델을 새로운 장치의 이미지에 일반화하는 것도 여전히 문제로 남아 있다. 다양한 저조도 노이즈 제거 데이터셋(본 연구에서 새로 수집한 데이터셋 포함)을 대상으로 한 광범위한 실험 결과, 본 논문에서 제안하는 노이즈 생성 모델을 사용해 훈련된 딥 신경망이 놀라운 정확도를 달성함을 확인하였다. 이 결과는 실제 쌍 데이터를 사용한 훈련과 비교해도 유사하거나 때로는 이를 초월하는 성능을 보였으며, 현실 세계의 극저조도 촬영 기술을 위한 새로운 길을 열어주고 있다.