Supervised learning-based methods yield robust denoising results, yet they are inherently limited by the need for large-scale clean/noisy paired datasets. The use of unsupervised denoisers, on the other hand, necessitates a more detailed understanding of the underlying image statistics. In particular, it is well known that apparent differences between clean and noisy images are most prominent on high-frequency bands, justifying the use of low-pass filters as part of conventional image preprocessing steps. However, most learning-based denoising methods utilize only one-sided information from the spatial domain without considering frequency domain information. To address this limitation, in this study we propose a frequency-sensitive unsupervised denoising method. To this end, a generative adversarial network (GAN) is used as a base structure. Subsequently, we include spectral discriminator and frequency reconstruction loss to transfer frequency knowledge into the generator. Results using natural and synthetic datasets indicate that our unsupervised learning method augmented with frequency information achieves state of-the-art denoising performance, suggesting that frequency domain information could be a viable factor in improving the overall performance of unsupervised learning-based methods.
이 논문에서는 쌍이 아닌 이미지 데이터를 사용하여 노이즈를 제거하는 방법에 대해 다루었다. 지도 학습 기반 노이즈 제거법은 강력한 성능을 보여주지만 대규모의 깨끗한 이미지와 노이즈 이미지를 쌍으로 사용하여 활용에 제한이 있다. 반면 비지도 노이즈 제거기를 사용하려면 이미지에 대한 보다 깊은 이해가 필요하다. 그러나 대부분의 딥러닝 기반 노이즈 제거 방법들은 주파수 도메인의 정보를 고려하지 않고 공간 도메인의 정보만을 활용한다. 이러한 한계를 해결하기 위해 본 연구에서는 주파수에 민감한 비지도 노이즈 제거 방법을 제안한다. 이를 위해 적대적 생성 신경망을 기본 구조로 사용한다. 그 후 스펙트럼 판별기 및 주파수 재구성 손실 함수를 통해 주파수 지식을 생성기로 전달한다. 실제 노이즈와 합성 노이즈 데이터에서의 결과는 다른 비지도 방법에 비해 우수한 성능을 보이며, 이는 주파수 도메인의 정보가 비지도 학습 기반 방법의 전체 성능을 향상시키는 요소가 될 수 있음을 시사한다.
