要旨: 自己教師ありの画像デノイジング手法は、伝統的に、恒等写像（トリビアルなアイデンティティマッピング）を避けるために、どちらか一方として、アーキテクチャ上の制約、またはノイズ分布に関する事前知識を必要とする特殊な損失関数に依存してきました。これらのうち、Noisier2Noise や Recorrupted2Recorrupted のようなアプローチは、ノイズの付いた画像に合成ノイズを加えることで学習ペアを作成します。これらの再破壊（recorruption）ベースの手法は有効ですが、再破壊に関するアプローチにはノイズ分布の正確な知識が必要であることが多く、その知識が利用できない場合が少なくありません。本研究では、ノイズ分布に依存しないデノイジング技術である Learning to Recorrupt（L2R）を提案します。これはノイズ分布の知識を不要にします。我々の手法は、再破壊プロセスを min-max の鞍点（サドルポイント）目的関数を通じて学習する、学習可能な単調なニューラルネットワークを導入します。提案手法は、対数ガンマ、ラプラス、空間的に相関したノイズのような、非自明で裾が重い（heavy-tailed）ノイズ分布に対してだけでなく、ポアソンガウスノイズのような信号依存型のノイズモデルに対しても、最先端の性能を達成します。
学習による再腐食（Recorruption）の習得：ノイズ分布に依存しない自己教師あり画像デノイジング
arXiv stat.ML / 2026/3/30
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 自己教師ありの画像デノイジング手法は、恒等写像への単純な回避を、アーキテクチャ上の制約や、ノイズ分布の知識を前提とする損失関数によって行うことが多い。
- 従来の「再腐食（recorruption）」アプローチ（例：Noisier2Noise、Recorrupted2Recorrupted）は、有効なノイズ付き学習ペアを合成するためにノイズ分布を知る必要がある。
- 本論文は、学習可能な単調（monotonic）ニューラルネットワークを用いて再腐食プロセスを学習する、ノイズ分布に非依存な手法「Learning to Recorrupt（L2R）」を提案する。
- L2Rは、最小-最大（min-max）の鞍点（saddle-point）目的関数として学習を定式化し、ノイズ分布の明示的な知識を不要にする。
- 実験では、重い裾を持つ（heavy-tailed）ノイズ、空間的に相関のあるノイズ、信号依存のポアソン・ガウス（Poisson-Gaussian）ノイズなど、複数の難しいノイズタイプにわたって最先端のデノイジング性能が報告されている。
