실용적인 블라인드 이미지 노이즈 제거를 위한 스위н-컨브-유넷과 데이터 합성

최근 몇 년간 깊은 신경망을 활용한 이미지 노이즈 제거 기술에 대한 연구가 급격히 증가하고 있으나, 기존의 방법들은 대부분 단순한 노이즈 가정에 의존하고 있으며, 예를 들어 가우시안 백색 노이즈(AWGN), JPEG 압축 노이즈, 카메라 센서 노이즈 등에 한정되어 있다. 실사 이미지에 적용 가능한 일반적인 블라인드 노이즈 제거 기법은 여전히 해결되지 않은 과제이다. 본 논문에서는 네트워크 아키텍처 설계와 훈련 데이터 합성의 관점에서 이 문제를 해결하고자 한다. 구체적으로, 네트워크 아키텍처 설계 측면에서는 잔차 합성곱 층의 국소적 모델링 능력과 스위н 트랜스포머 블록의 비국소적 모델링 능력을 결합한 ‘스위인-컨볼루션(스위인-conv) 블록’을 제안하고, 이를 널리 사용되는 이미지-이미지 번역 UNet 아키텍처의 주요 구성 요소로 통합한다. 훈련 데이터 합성 측면에서는 다양한 종류의 노이즈(가우시안, 포아송, 스펙클, JPEG 압축, 처리된 카메라 센서 노이즈 등)와 리사이징을 고려한 실용적인 노이즈 훼손 모델을 설계하였으며, 무작위 셔플 전략과 이중 훼손 전략을 도입하였다. AWGN 제거 및 실사 이미지 노이즈 제거에 대한 광범위한 실험 결과는 새로운 네트워크 아키텍처 설계가 최고 수준의 성능을 달성함을 보이며, 새로운 훼손 모델이 실제 적용 가능성을 크게 향상시킬 수 있음을 입증한다. 본 연구가 현재 노이즈 제거 분야의 연구에 유용한 통찰을 제공할 것이라 믿는다.