In recent years, deep neural network (DNN) have achieved great success for various computer vision fields including image denoising. Unsupervised image denoising models that does not require a clean image outperforms the classical denoising methods. However, Current unsupervised denoiser still suffers from a serious problem that the denoised image looks blurry because denoisers cannot restore the clean edge of the images. This problem caused by the receptive field of the model takes less information from the noisy image. In this paper, we suggest a novel unsupervised denoising model by improving the learning algorithm. We adopt the ordinal regression task to the network which can supply more information of the input image. The proposed model outperforms the Noise2Self [3] on the benchmark datasets, such as Set12 and BSD68 [5] and Urban100.
최근 수년간 인공 신경망을 이용한 딥러닝 기법은 컴퓨터 비젼의 다양한 분야에서 놀라운 성능을 보여주고 있다. 인공신경망 모델은 잡음없이 깨끗한 이미지를 필요로 하지 않는 비지도학습 잡음제거에서도 뛰어는 성능을 보여주며 고전적인 모델보다 개선된 성능을 보여준다. 하지만 기존의 비지도학습 이미지 디노이징 기술의 경우 그 방식의 한계로 인해 입력 정보로부터 충분한 정보를 얻지 못하여 이미지를 선명하게 복원하 지 못하는 문제가 있다. 이 논문에서는 기존 이미지 디노이징과 함께 순차적 회귀 작업을 추가로 학습하여 네트워크가 입력 이미지로부터 더 많은 정보를 얻고 이를 디노이징에 활용할 수 있는 방법을 제안한다. 제안 된 모델은 Set12, BSD68 [5] 등의 벤치마크 데이터셋에서 Noise2Self 등 기존의 디노이징 모델보다 우수한 성능을 보여준다.
