비지도 학습의 도입과 함께, 쌍을 이루는 잡음 영상과 정제(정상) 영상이 없이도 영상 denoising을 위한 딥 네트워크를 효율적으로 학습하는 것이 가능해졌다. 현재의 대부분 비지도 denoising 방법은 신호 독립 조건 하에서 잡음이 영평균(0-mean)이라는 가정을 바탕으로 한 자기지도 손실(self-supervised loss)에 구축되어 있으며, 이로 인해 비정형 잡음 통계(즉, 통상적으로 사용되는 잡음 모델과 다른 경우)에서는 밝기 이동(brightness-shifting) 인공물이 발생한다. 또한 대부분의 블라인드(Blind) denoising 방법은 denoising 과정의 불변성(invariance)을 보장하기 위해 학습 시 무작위 마스킹(random masking) 방식을 필요로 한다. 본 연구에서는 무작위 마스킹 없이도 커널 기반 학습을 효율적으로 수행할 수 있도록 불변성 성질을 만족하는 팽창(dilated) 컨볼루션 네트워크를 제안한다. 아울러 잡음 통계에 대한 사전 지식이 쉽게 제공되지 않는 염화나트륨(salt-and-pepper) 잡음 또는 하이브리드(hybrid) 잡음을 제거하는 데 특히 효과적인, 비정형 잡음에 대한 허용 오차(tolerance)를 증가시키기 위한 적응형 자기지도 손실(adaptive self-supervision loss)도 제안한다. 제안한 방법의 효율성은 다양한 예시를 사용하여 최첨단 denoising 방법들과 비교함으로써 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.