곱셈 감마 노이즈(multiplicative Gamma noise)의 제거는 합성 개구 레이더(SAR) 영상 응용 분야에서 핵심적인 연구 영역이며, 신경망(neural network)은 이를 위한 강력한 도구로 활용됩니다. 그러나 실제 데이터는 종종 이론적 모델과 차이를 보이며 다양한 교란을 나타내어 신경망의 효과를 저하시킵니다. 적대적 공격(adversarial attack)은 신경망을 무력화하는 가장 극단적인 섭동(perturbation)을 찾아낼 수 있으므로, 실제 데이터에 대한 신경망의 적응성을 판단하는 기준으로 사용될 수 있습니다. 본 연구에서는 얕은 신경망 디노이징 블록과 확산 정규화 블록을 단일 네트워크로 언롤링(unroll)하여 엔드투엔드(end-to-end) 학습을 수행하는, 조정 가능하고 정규화된 신경망 프레임워크를 제안합니다. 고유한 평활성(smoothness)과 저역 통과 필터링 특성으로 잘 알려진 선형 열 방정식(linear heat equation)을 확산 정규화 블록으로 채택합니다. 출력의 평활성은 동적으로 조정 가능한 단일 타임 스텝 하이퍼파라미터로 제어됩니다. 제안하는 모델의 안정성과 수렴은 이론적으로 증명되었습니다. 실험 결과는 제안된 모델이 적대적 공격으로 인해 유도된 고주파 진동(high-frequency oscillation)을 효과적으로 제거함을 보여줍니다. 마지막으로, 시뮬레이션 영상, 적대적 샘플, 실제 SAR 영상에서 제안된 모델을 여러 최신 디노이징 방법과 벤치마크 평가를 진행하였으며, 정량적 평가와 시각적 평가 모두에서 우수한 성능을 달성했습니다.
본 논문에서는 Aubert-Aujol(AA) 잡음 제거 모델을 기반으로 한 새로운 변분 활성 윤곽선 모델을 제안한다. 이 모델은 측지 활성 윤곽선(GAC) 모델과 에지 없는 활성 윤곽선(ACWE) 모델을 결합하여 곱셈 감마 잡음으로 손상된 이미지를 분할하는 데 사용할 수 있다. 제안 모델에 근접항을 추가하여 고전 ROF 모델로 변환한다. [26]은 2013년 8월 29일에 제출되었고, 본 논문의 초기 버전은 2012년 6월 12일 TGRS에 제출된 바 있으며, Venkatakrishnan 등[27]은 2013년 5월 29일에 PnP 알고리즘을 제안하였으므로, Venkatakrishnan과 본 저자들은 PnP 알고리즘을 거의 동시에 제안한 셈이다. 최근 Jia-Zhao가 제안한 고속 잡음 제거 알고리즘에서 영감을 받아, SAR 이미지 분할 문제를 해결하기 위한 두 가지 고속 고정점 알고리즘을 제안한다.
본 논문에서는 승법적 감마 잡음이 포함된 합성 개구 레이더(SAR) 영상의 이미지 분할을 위해 I-divergence-TV 모델에 기반한 새로운 변분 활성 윤곽 모델을 제안한다. 이 모델은 에지 기반 모델과 영역 기반 모델을 혼합한 것으로, 약하거나 흐릿한 에지에서 윤곽의 진행을 효율적으로 정지시킬 수 있으며, 영상의 외부 및 내부 경계를 자동으로 검출할 수 있다. 나아가 근접항(proximity term)을 추가하여 제안된 모델을 일반 ROF 모델로 변환하였으며, 이를 Jia-Zhao가 제안한 고속 잡음 제거 알고리즘이나 BM3D 및 NLM 잡음 제거 알고리즘으로 풀 수 있다. 이는 또한 다변수 분리 알고리즘[25]에서 발생하는 형식적으로 일반화된 ROF 유사 부분문제들에 대한 통합 해법 프레임워크를 제공한다. [25]는 2013년 8월 29일에 제출되었으며, 본 논문의 초기 버전은 2012년 6월 12일에 TGRS에 제출된 바 있다. Venkatakrishnan 등[26]은 2013년 5월 29일에 PnP 알고리즘을 제안하였으므로, Venkatakrishnan과 본 연구진은 PnP 알고리즘을 거의 동시에 제안한 것이다.