이미지 노이즈 제거를 위한 적응적 임베딩 및 앙상블을 통한 확산 모델 자극

이미지 노이즈 제거는 계산 사진술에서 기본적인 문제로, 높은 인식도와 낮은 왜곡을 동시에 달성하는 것이 매우 어려운 과제입니다. 현재의 방법들은 인식 품질을 유지하거나, 또는 상당한 왜곡을 겪는 문제를 가지고 있습니다. 최근에 등장한 확산 모델은 다양한 작업에서 최고 수준의 성능을 보여주며 이미지 노이즈 제거 분야에서도 큰 잠재력을 입증하고 있습니다. 그러나, 이미지 노이즈 제거를 위한 확산 모델의 활용은 직관적이지 않으며 여러 중요한 문제를 해결해야 합니다. 첫째, 입력 불일치가 확산 모델과 이미지 노이즈 제거 간의 연결을 방해합니다. 둘째, 생성된 이미지와 원하는 노이즈 제거된 이미지 사이의 내용 불일치가 왜곡을 유발합니다. 이러한 문제들을 해결하기 위해, 우리는 노이즈 제거 관점에서 확산 모델을 이해하고 재구성하여 새로운 전략인 '확산 모델 기반 이미지 노이즈 제거 (DMID)'를 소개합니다. 우리의 DMID 전략은 사전 학습된 무조건적 확산 모델에 노이즈가 포함된 이미지를 내장하는 적응형 임베딩 방법과 노이즈 제거된 이미지에서 왜곡을 줄이는 적응형 앙상블 방법을 포함합니다. 우리의 DMID 전략은 가우시안 및 실제 환경에서의 이미지 노이즈 제거 모두에 있어 왜곡 기반 및 인식 기반 지표에서 최고 수준의 성능을 달성하였습니다. 코드는 https://github.com/Li-Tong-621/DMID 에서 제공됩니다.