다중 뷰 자기지도 학습 분리 기법을 통한 일반적인 이미지 노이즈 제거

심층 학습 기반 기법은 현대 이미지 노이즈 제거기의 표준 도구로 자리 잡았으며, 성능 향상이 두드러지게 나타났다. 기존의 접근 방식은 관측된 노이즈 분포에 대해서는 유망한 성능을 보였지만, 미관측된 노이즈 유형이나 일반적이고 실제 환경에서 발생하는 노이즈에 대한 일반화 능력에는 한계가 있다. 이는 모델이 노이즈 이미지에서 정제된 이미지로의 쌍(예: 노이즈 이미지 → 클린 이미지)을 학습하도록 설계되어 있기 때문에 당연한 결과이다. 본 논문에서는 이와 달리, 동일한 클린 이미지의 다양한 손상된 버전이 공통의 잠재 공간( latent space)을 공유한다는 직관적인 가정 아래, 노이즈 이미지의 구성 요소를 분리하는 방식을 제안한다. 이는 잠재적 클린 이미지의 정보를 직접 관찰하지 않고도 수행할 수 있도록 하는 자기지도 학습(framework)을 제안한다. 동일한 이미지의 두 가지 서로 다른 손상된 버전을 입력으로 받아, 제안하는 다중 시점 자기지도 분리(Multi-view Self-supervised Disentanglement, MeD) 방법은 잠재적인 클린 특징과 노이즈 성분을 분리하고, 이를 바탕으로 클린 이미지를 복원한다. 합성 노이즈와 실제 노이즈에 대한 광범위한 실험 분석을 통해, 기존 자기지도 학습 기법들에 비해 제안된 방법이 특히 미관측된 새로운 노이즈 유형에 대해 뛰어난 성능을 보임을 입증하였다. 실제 노이즈 환경에서는 제안된 방법이 감독 학습 기반 대안들보다도 3 dB 이상 뛰어난 성능을 달성하였다.