Recent literature focuses on image denoising without the prerequisite of external data. It is considered a more interesting phenomenon to excavate underlying natural features under noisy signals given only a single image. Nevertheless, existing zero-shot methods rely on the blind spot strategy, weakening low- noise and real noise denoising performance. Aiming to develop a more powerful and effective denoiser in this setting, we propose to leverage the inductive bias of Implicit Neural Representations(INR). We observed the highest frequency bias within INR when comparing the output precision and learning curve to other architectures. Furthermore, we examined a hierarchical structure of earlier layers learning the global features and deeper layers predicting the fine local details. In order to penalize the latter layers from identical fitting of noise, we applied a simple regularization to boost the denoising performance. Extensive experiments show that the implicit neural representations outperform existing zero-shot based methods, with the most stable and consistent denoising performance.
본 논문에서는 외부 데이터를 사용하지 않고 하나의 이미지 내의 노이즈를 제거하는 모델에 대하여 연구하 였다. 기존의 방식들은 사각지대 전략에 의존하여 저잡음 및 실제 잡음 제거 성능을 악화시킨다. 이러한 상황에서 보다 효과적인 노이즈 제거 모델을 개발하기 위해 우리는 암묵적 신경망의 귀납적 편향을 활용할 것을제안한다. 우리는출력정밀도와학습곡선을다른신경망과비교할때암묵적신경망내에서가장 높은 주파수 편향이 존재함을 관찰했다. 또한 전체적인 특징을 학습하는 초기 레이어와 미세한 세부 정보 를 배우는 심층 레이어의 계층 구조에서 착안하여 특히 심층 레이어가 노이즈를 배우지 못하도록 간단한 불이익을 적용했다. 실험에 따르면 암묵적 신경망은 가장 안정적이고 일괄된 노이즈 제거 성능으로 기존의 제로-샷 기반 방법들을 능가한다.
