深層学習に基づく画像ノイズ除去の効率を向上させるために、Res2-Unet-SEに基づく多段階監督深層残差（Multi-stage Supervised Deep Residual、MSDR）ノイズ除去ニューラルネットワークを提案した。まず本ニューラルネットワークを基に、画像ノイズ除去を多段階処理過程に分ける。各処理段階において、異なる解像度の画像ブロックをRes2-Unetサブネットワークに入力し、異なるスケールの特徴情報を取得し、チャネル注意機構を通じて適応的に学習された特徴融合情報を次段階へ伝達する。最後に異なるスケールの特徴情報を重畳し、高品質な画像ノイズ除去を完遂する。実験ではBSD400データセットを用いて学習を行い、Set12データセットによるガウスノイズ除去テストを実施し、SIDDデータセットによる実ノイズ除去テストを完了した。一般的なノイズ除去ニューラルネットワークとの比較から、画像にσ=15、25、50のガウスノイズを付加した際、本論文のアルゴリズムによるノイズ除去後の画像のPSNRは、ガウスノイズ除去性能に優れるDNCNNと比較してそれぞれ0.03 dB、0.05 dB、0.14 dB向上し、σ=25、50においてはMPRNETと比較しそれぞれ0.02 dB、0.06 dB向上した。実ノイズを含む画像に対しては、本論文のアルゴリズムによるノイズ除去後の画像のPSNRはCBDNETアルゴリズムと比べて0.48 dB向上した。実験解析により、本アルゴリズムは画像ノイズ除去において高い頑健性を持ち、ノイズから効果的に画像の詳細を復元できるだけでなく、画像の全体的依存関係も十分に保持できることが示された。

画像ノイズ除去;実ノイズ;残差ネットワーク;チャネル注意機構;監督注意機構