일반화된 Recorrupted-to-Recorrupted: 가우시안 노이즈를 초월한 자체 지도 학습

Recorrupted-to-Recorrupted (R2R)는 노이즈가 있는 측정 데이터만을 이용하여 이미지 복원을 위한 심층 신경망을 자기지도 학습 방식으로 훈련하는 방법론으로 부상하였으며, 가우시안 노이즈 상황에서는 감독 학습의 제곱 손실과 기대값에서 동등함을 보였다. 그러나 비가우시안 노이즈 상황에서의 효과성은 여전히 탐구되지 않은 상태이다. 본 논문에서는 이러한 한계를 보완하기 위해, 더 넓은 범위의 노이즈 분포를 다룰 수 있도록 R2R 프레임워크를 확장한 일반화된 R2R(GR2R)을 제안한다. GR2R은 로그레일리(log-Rayleigh)와 같은 가법 노이즈뿐만 아니라, 저광량 영상 촬영 및 합성(aperture) 레이더와 같은 다양한 응용 분야에서 핵심적인 역할을 하는 포아송(Poisson) 및 감마(Gamma) 노이즈 분포를 포함하는 자연 지수족(Natural Exponential Family)을 다룰 수 있다. 우리는 GR2R 손실이 감독 학습 손실의 편향 없는 추정자임을 입증하였으며, 일반적으로 사용되는 스틴(Stein)의 편향 없는 위험 추정법이 이의 특수한 경우임을 보였다. 가우시안, 포아송, 감마 노이즈에 대한 일련의 실험을 통해 GR2R의 성능을 검증하였으며, 다른 자기지도 학습 방법들과 비교하여 그 효과성을 입증하였다.