낮은 조도의 원시 노이즈 제거를 위한 학습 가능성 향상: 쌍화된 실재 데이터와 노이즈 모델링의 만남

저조도(raw) 노이즈 제거는 계산 사진학에서 중요한 가치를 지닌 작업이며, 쌍체의 실제 데이터를 사용해 학습하는 기반 방법이 주류를 이룬다. 그러나 제한된 데이터 양과 복잡한 노이즈 분포로 인해 쌍체의 실제 데이터에 대한 학습 능력에 한계가 생기며, 이는 기계 학습 기반 방법의 노이즈 제거 성능을 제약한다. 이러한 문제를 해결하기 위해, 노이즈 모델링을 기반으로 쌍체의 실제 데이터를 재구성하는 학습 능력 향상 전략을 제안한다. 본 전략은 두 가지 효율적인 기법으로 구성된다: 샷 노이즈 증강(Shot Noise Augmentation, SNA)과 어두운 그림자 보정(Dark Shading Correction, DSC). 노이즈 모델의 분리에 기반하여, SNA는 데이터 양을 증가시킴으로써 데이터 매핑의 정밀도를 향상시키고, DSC는 노이즈 복잡성을 감소시킴으로써 데이터 매핑의 복잡도를 낮춘다. 공개 데이터셋 및 실제 촬영 환경에서의 광범위한 실험 결과는 본 방법이 최신 기술 수준의 성능을 보임을 종합적으로 입증한다. 코드는 다음과 같은 주소에서 공개되어 있다: https://github.com/megvii-research/PMN.