[논문 리뷰] Unleashing the Power of Self-Supervised Image Denoising: A Comprehensive Review

Dan Zhang, Fangfang Zhou외 5명|arXiv (Cornell University)|2023. 08. 01.

Image and Signal Denoising Methods인용 수 8

한 줄 요약

Self-supervised 이미지 노이즈 제거 방법에 대한 포괄적 고찰로, 일반(General), Blind Spot Network (BSN)-기반, Transformer 기반 접근법으로 분류하고 이론적 통찰과 실험 분석을 담고 있다.

ABSTRACT

The advent of deep learning has brought a revolutionary transformation to image denoising techniques. However, the persistent challenge of acquiring noise-clean pairs for supervised methods in real-world scenarios remains formidable, necessitating the exploration of more practical self-supervised image denoising. This paper focuses on self-supervised image denoising methods that offer effective solutions to address this challenge. Our comprehensive review thoroughly analyzes the latest advancements in self-supervised image denoising approaches, categorizing them into three distinct classes: General methods, Blind Spot Network (BSN)-based methods, and Transformer-based methods. For each class, we provide a concise theoretical analysis along with their practical applications. To assess the effectiveness of these methods, we present both quantitative and qualitative experimental results on various datasets, utilizing classical algorithms as benchmarks. Additionally, we critically discuss the current limitations of these methods and propose promising directions for future research. By offering a detailed overview of recent developments in self-supervised image denoising, this review serves as an invaluable resource for researchers and practitioners in the field, facilitating a deeper understanding of this emerging domain and inspiring further advancements.

연구 동기 및 목표

• 노이즈 제거에서 깨끗한 ground-truth 데이터 없이도 실제 환경에서의 도전 과제를 동기화하고 맵핑한다.
• Self-supervised 노이즈 제거 방법을 세 가지 클래스로 분류하고 각 원리와 응용을 요약한다.
• 데이터셋 전반에 걸친 이론적 분석과 실용적 평가를 제시하여 연구자와 실무자를 안내한다.

제안 방법

• Self-supervised 노이즈 제거 방법을 General, BSN 기반, Transformer 기반 범주로 분류한다.
• 대표적 방법과 핵심 원리를 요약하고 masking 전략 및 점수 기반 접근법을 포함한다.
• 데이터셋, 평가 지표, 정량적 및 정성적 결과를 논의하여 방법들을 비교한다.

실험 결과

연구 질문

• RQ1 주요한 self-supervised denoising 패러다임과 그 기저 가정은 무엇인가?
• RQ2 General, BSN 기반, Transformer 기반 방법은 이론적 기초와 실용적 성능 측면에서 어떻게 비교되는가?
• RQ3 어떤 데이터셋과 지표가 self-supervised denoising 방법의 강점과 한계를 가장 잘 드러내는가?
• RQ4 self-supervised 이미지 노이즈 제거의 향후 연구에서 주요 한계점과 유망한 방향은 무엇인가?

주요 결과

• 논문은 self-supervised denoising 방법의 세 가지 분류인 General, BSN 기반, Transformer-based를 제시한다.
• 각 범주에 대한 간결한 이론 분석과 실용적 응용을 제시한다.
• 다양한 데이터셋과 노이즈 제거 과제에 걸친 효과를 평가하기 위한 실험 결과가 논의된다.
• 리뷰는 현재의 한계를 조명하고 self-supervised denoising의 향후 연구 방향을 제시한다.