技術要約：DDAN – 物理情報に基づく損失関数を用いた高密度双方向アテンションネットワーク

1. 問題提起

光学画像の取得は、本質的に2つの異なる形態の劣化という課題に直面している。一つは、シーンの内容とは無関係な分散を持つ電子干渉に起因する加法性ガウスノイズであり、もう一つは、コヒーレントな撮像システムに固有の、局所的な信号強度に応じて分散がスケールする乗法性スペックルノイズである。実用的なシナリオでは、これらのノイズタイプが頻繁に共存し、ハイブリッドな破損を生み出すことで、デノイジング（ノイズ除去）の課題をより複雑なものにしている。

既存の文献からは、決定的な性能ギャップが明らかになっている：

• 古典的手法（例：Lee, Frost, BM3D）は、テクスチャを過度に平滑化しやすく、空間的に変化する、あるいは混合されたノイズ領域に適応できないハンドクラフトされた事前知識に依存している。
• 深層学習アプローチは、通常、単一のノイズタイプに特化している。CNNベースの手法（例：DnCNN, SAR-CNN）は加法性ガウス統計を想定することが多く、Transformerベースまたはスペックル特化型のアーキテクチャ（例：DATNet）は、加法性ノイズやハイブリッド条件への適応性に欠ける場合がある。
• 現在の限界： 加法性、乗法性、およびハイブリッドノイズのすべてのレジームにおいて、物理学に基づいた訓練目的関数によって制御されつつ、最先端（SOTA）の性能を同時に達成できる統一されたアーキテクチャは、現時点では存在しない。

2. 手法

著者らは、堅牢なマルチタイプ画像デノイジングのために設計されたエンドツーエンドのエンコーダ・デコーダ・フレームワークであるDense Dual-Attention Network (DDAN) を提案する。このアーキテクチャは、階層的なマルチスケール特徴抽出、空間ドメインとチャネルドメインの同時アテンション、および物理情報を組み込んだ複合損失関数の3つの相乗的な設計原則を統合している。

2.1 アーキテクチャ：双方向アテンションを備えた残留高密度ブロック (RDBA)

DDANは、3段階の収縮エンコーダ、ボトルネック、および3段階の拡張デコーダを備えたU-Netパラダイムに従う。標準的な残留ブロックに代わるコア計算ユニットは、高密度な特徴再利用と明示的なアテンションメカニズムを融合させたRDBAである。

• 高密度特徴結合 (Dense Feature Connectivity): 各RDBA内では、3つの畳み込み層が高密度に接続されている。各層は、先行するすべての層の連結出力を入力として受け取る。この設計は、スケールを越えた特徴再利用と暗黙的なマルチスケール処理を促進し、ネットワークが様々な受容野サイズから証拠を集約することで、構造的特徴とノイズを区別することを可能にする。
• 双方向アテンションモジュール (Dual Attention Module: DAM): 高密度畳み込みに続き、逐次的な双方向アテンションモジュールが特徴を洗練させる。
  • チャネルアテンション (CA): グローバル平均プーリング (GAP) とそれに続くボトルネックMLPを用いて特徴チャネルを再校正し、構造的に関連のある情報を増幅させ、スペックルで汚染されたチャネルを抑制する。
  • 空間アテンション (SA): $7\times7$ の深度方向畳み込みを適用して空間的な顕著性マップを生成し、ネットワークを識別的な領域（例：エッジ、ターゲット）に集中させ、均質なノイズ領域を抑制する。
  • 逐次カスケード: これらのモジュールはカスケード（CAの後にSA）として適用され、チャネルによって洗練された特徴に対して空間的なゲーティングが行われることで、より精密なアテンションマップを実現する。

2.2 物理情報に基づく複合損失

標準的な画素単位の回帰損失（加法性ガウスノイズを想定し、構造的忠実度を無視するもの）の限界に対処するため、DDANは乗法性スペックルモデルに基づいた複合損失関数 ($L_{total}$) を採用している。
$$L_{total} = \alpha \cdot L_{L1} + \beta \cdot L_{SSIM} + \gamma \cdot L_{speckle}$$

• $L_{L1}$ (画素忠実度): 平均絶対誤差であり、正確な画素レベルの再構成と外れ値への堅牢性を確保するために重く設定されている ($\alpha=0.7$)。
• $L_{SSIM}$ (構造的類似性): $L_{L1}$ が見落とす可能性のある構造的劣化（ぼけ、コントラストの喪失）を罰する ($\beta=0.2$)。
• $L_{speckle}$ (対数比制約): 最も特徴的なコンポーネントである。ガンマ分布に従うスペックルモデル ($I = \sigma_0 \cdot n$) から導出され、予測画像とグランドトゥルース画像の期待絶対対数比を最小化する。これにより、乗法的偏差を加法的偏差へと変換し、乗法的ノイズの物理的整合性を強制するスケール不変な正則化を実現する ($\gamma=0.1$)。

2.3 訓練プロトコル

モデルは、NWPU-RESISC45データセットから派生した合成データを用いて訓練される。堅牢性を確保するため、訓練サンプルは以下の3つのノイズモデルで汚染されている：

1. 加法性ガウスノイズ: 4つの強度レベル ($\sigma^2 \in \{25, 50, 75, 100\}$)。
2. 乗法性スペックルノイズ: 4つの等価ルック数 (ENL) レベル ($L \in \{1, 4, 8, 16\}$)。ここで $L=1$ は深刻なシングルルック・スペックルを表す。
3. ハイブリッドノイズ: 加法性ノイズと乗法性ノイズの組み合わせ。

3. 主要な結果

DDANは、4つのベンチマークデータセット (Classic5, Kodak24, McMaster, Set12) における96の異なる条件下（4つのデータセット $\times$ 3つのノイズタイプ $\times$ 4つの強度レベル）において、7つの競合手法（BM3D, DnCNN, SAR-CNN, SAR-DRN, SAR-Transformer, SAR-CAM, および最先端のDATNet）と比較評価された。

• 加法性ガウスノイズ: DDANはすべての条件下で最先端の性能を達成し、2番目に優れた手法（DATNet）をPSNRにおいて 7.94 ～ 12.51 dB 上回った。高ノイズレベルにおいてもSSIMスコアを0.92以上に維持したが、DATNetは高ノイズレベルで0.68を下回った。
• 乗法性スペックルノイズ: DD-ANは、最も深刻なシングルルック条件 ($L=1$) を含むすべてのルック数において、すべての手法を凌駕した。PSNRにおいてDATNetを 0.58 ～ 1.23 dB 上回った。注目すべきは、DATNetのアーキテクチャが動的ゲートアテンションと周波数領域分解を用いてスペックル抑制のために明示的に設計されているにもかかわらず、この改善が達成された点である。
• ハイブリッドノイズ: 最も実用的なシナリオである加法性と乗法性の同時汚染において、DDANは評価された32行すべてにおいて全手法をリードした。性能差はノイズの深刻度とともに拡大し、最高強度のハイブリッド条件 ($\sigma^2=100, L=16$) ではDATNetに対して 6.27 ～ 7.41 dB の利得に達した一方、最も軽いハイブリッド条件での利得は 0.90 ～ 1.41 dB であった。
• 定性的分析: 視覚的な比較により、DDANは古典的なフィルタで見られる過度な平滑化や、他の深層学習ベースラインで見られるハローアーティファクトや残留グレイン（粒状感）を起こすことなく、微細な構造的詳細（エッジ、テクスチャ）を保持していることが確認された。

4. 意義と主張

本論文は、DDANがマルチタイプ光学画像デノイジングにおける新しいユニバーサルなベンチマークを確立したと主張している。その意義は、以下の3つの具体的な貢献にある：

1. 統一されたアーキテクチャ: 単一の統一されたフレームワーク内で、加法性、乗法性、およびハイブリッドノイズのすべてのレジームにおいて、同時に最先端の性能を達成した初めての手法であり、ノイズタイプごとの専用モデルを不要にした。
2. 物理情報に基づく汎化性能: 物理的事前知識（対数比スペックル制約）を、知覚的および画素単位の指標と併せて組み込んだ、高度に設計されたマルチオブジェクティブ損失関数が、アーキテクチャ固有の事前知識を凌駕できることを結果が示している。これにより、一般的なバックボーン（RDBA + DAM）が、複雑なノイズ分布（重い裾を持つ $L=1$ スペックルを含む）を効果的に学習することが可能となった。
3. スケーラビリティ: DDANの性能優位性は、ノイズ強度に対して単調にスケールする。ノイズが深刻になるにつれ、物理情報に基づく損失がより効果的な正則化を提供するため、単一目的またはノイズ特化型のベースラインが訓練分布によって決定される性能の天井に突き当たる一方で、DDANは高い性能を維持する。

著者らは、高密度な特徴再利用、逐次的な双方向アテンション、および物理学に配着した複合損失の組み合わせが、評価されたすべての条件下で既存の専門化された手法を上回る堅牢なソリューションを生み出すと結論付けている。