이미지 노이즈 제거 분야에서 깊은 합성곱 신경망(CNN)은 공간적으로 불변하는 노이즈 제거에 우수한 성능을 보일 수 있다. 그러나 이러한 네트워크의 대부분은 이미지 촬영 또는 전송 과정에서 발생하는 실제 노이즈(즉, 공간적으로 변하는 노이즈) 제거에는 잘 작동하지 못하며, 이는 실용적인 이미지 노이즈 제거 작업에서의 응용을 심각하게 저해한다. 네트워크의 깊이를 지속적으로 증가시키는 대신, 많은 연구자들이 네트워크의 폭을 확장하는 것도 모델 성능 향상에 유용한 방법임을 밝혀냈다. 또한 특징 필터링이 모델의 학습 능력을 향상시킬 수 있음이 입증되었다. 따라서 본 논문에서는 넓은 모델 아키텍처의 장점과 주의 기반 특징 학습을 동시에 갖춘 새로운 이중 분기 잔차 주의망(DRANet)을 제안한다. 제안된 DRANet은 두 개의 서로 다른 병렬 브랜치로 구성되어 있으며, 이는 상호 보완적인 특징을 캡처함으로써 모델의 학습 능력을 강화한다. 상단 브랜치와 하단 브랜치에 각각 새로운 잔차 주의 블록(RAB)과 혁신적인 하이브리드 확장 잔차 주의 블록(HDRAB)을 설계하였다. RAB와 HDRAB는 서로 다른 합성곱 층 사이의 다중 스킵 연결을 통해 풍부한 국소 특징을 추출할 수 있으며, 잔차 주의 모듈을 통해 불필요한 특징을 제거한다. 동시에 각 브랜치 내의 장거리 스킵 연결과 두 병렬 브랜치 간의 전역 특징 융합을 통해 전역 특징도 효과적으로 캡처할 수 있다. 더불어, 제안된 DRANet는 다운샘플링 연산과 확장 합성곱(dilated convolution)을 사용하여 수용 영역(receptive field)의 크기를 증가시켜, 이미지의 더 많은 맥락 정보를 포착할 수 있도록 한다. 광범위한 실험을 통해, 다른 최첨단 노이즈 제거 기법들과 비교하여 제안된 DRANet가 합성 노이즈와 실제 세계 노이즈 제거 모두에서 경쟁력 있는 성능을 달성함을 입증하였다.