ノイズ除去とは、データや信号から不要なランダム変動や外乱（ノイズ）を取り除き、真の情報を復元または強調する信号処理技術の総称である。デジタル画像、音声、センサーデータ、通信など幅広い分野で応用され、フィルタリングや統計的手法、深層学習モデルなど多様なアプローチが存在する。目的は信号対雑音比（SNR）の改善と視覚的・聴覚的な品質向上にあり、特に情報技術の進展に伴いリアルタイム処理や高精度化が進んでいる。
1 基礎原則
ノイズ除去の基礎は、ノイズの特性を理解し、信号とノイズを区別する原理に立脚する。ノイズの種類や統計的性質に応じた手法が選択され、除去効果は評価指標によって定量的に測られる。
1.1 ノイズの定義と種類
ノイズは、本来の信号に付加される不要な成分であり、発生源や統計的性質に基づいて分類される。代表的な種類として以下のものがある。
1.1.1 ガウシアンノイズ
ガウシアンノイズは、確率密度関数が正規分布に従うノイズである。熱雑音や電子回路のショットノイズなど物理現象に多く見られ、振幅が平均値周辺に集中する。線形フィルタで効果的に低減できるが、強いノイズでは信号の詳細が失われやすい。
1.1.2 インパルスノイズ
インパルスノイズは、ランダムな時刻に急峻なピークとして現れるノイズである。センサーの誤動作や通信のビット誤りなどで発生し、画像では白または黒の点（ソルト・アンド・ペッパーノイズ）として観測される。非線形フィルタ、特にメディアンフィルタが有効とされる。
1.1.3 量子化ノイズ
量子化ノイズは、アナログ信号を離散デジタル値に変換する際の丸め誤差に起因するノイズである。量子化ビット数が少ないほど顕著になり、高周波成分にランダムな歪みを生じさせる。ダイザリングなどの前処理で低減可能だが、完全な除去は原理的に不可能である。
1.2 ノイズ除去の評価指標
ノイズ除去アルゴリズムの性能を客観的に評価するため、いくつかの指標が標準的に用いられる。
1.2.1 信号対雑音比（SNR）
信号対雑音比（SNR）は、元の信号電力とノイズ電力の比をデシベル単位で表した指標である。値が大きいほど信号に対するノイズの影響が小さいことを示す。ノイズ除去前後のSNR変化が手法の有効性を測る基本指標となる。
1.2.2 ピーク信号対雑音比（PSNR）
ピーク信号対雑音比（PSNR）は、信号の最大可能電力とノイズの平均二乗誤差の比に基づく指標である。画像処理で特に多用され、圧縮やノイズ除去による画質劣化を評価する。値が高いほど元の画像に近いことを意味する。
1.2.3 構造類似性指標（SSIM）
構造類似性指標（SSIM）は、輝度、コントラスト、構造の三要素を比較して人間の視覚特性に即した画質評価を行う。PSNRでは捉えにくい知覚的な品質差を反映し、特にエッジやテクスチャの保存度を評価する際に重要視される。
2 主要手法
ノイズ除去手法は、線形フィルタ、非線形フィルタ、変換領域法、統計的アプローチ、深層学習手法など多岐にわたる。各手法はノイズの種類や処理のリアルタイム性、計算資源に応じて選択される。
2.1 線形フィルタ
線形フィルタは、出力が入力の線形結合で表されるフィルタであり、計算が単純で高速に動作する。ただし、エッジなどの高周波成分を同時に平滑化するため、細部が失われやすい。
2.1.1 平均値フィルタ
平均値フィルタは、注目画素周辺の領域内の画素値を平均して出力する基本フィルタである。実装が容易でガウシアンノイズに効果的だが、エッジのぼけが大きい。
2.1.1.1 ボックスフィルタの特性
ボックスフィルタは平均値フィルタの一種で、矩形領域内の全画素に等しい重みを付けて平均する。計算が積分画像により高速化可能だが、周波数特性はsinc関数状になり、高周波成分を強く減衰させる。また、領域サイズを大きくすると処理結果がより滑らかになる一方、エッジ情報の損失が顕著になる。
2.1.2 ガウシアンフィルタ
ガウシアンフィルタは、ガウス関数の重みで近傍画素を加重平均する線形フィルタである。中心に近い画素ほど大きな重みを持ち、自然なぼかし効果を得られる。ガウシアンノイズの低減に標準的に用いられるが、エッジ保存性は低い。
2.2 非線形フィルタ
非線形フィルタは、出力が入力の非線形演算で決まるフィルタであり、エッジ保存やインパルスノイズ除去に優れる。線形フィルタよりも計算コストが高い場合がある。
2.2.1 メディアンフィルタ
メディアンフィルタは、近傍画素の中央値を出力値とするフィルタである。インパルスノイズの除去に極めて有効で、エッジの保存性も高い。ただし、処理対象のノイズ密度が高くなると効果が低下し、テクスチャの細かい部分が失われることがある。
2.2.2 バイラテラルフィルタ
バイラテラルフィルタは、空間距離と画素値の差の両方に基づく重みで平均化する非線形フィルタである。エッジ部では画素値差が大きい画素の重みを小さくするため、平滑化しながらエッジを保持できる。軽度のガウシアンノイズに対して有効だが、計算量が多く、パラメータ調整が重要となる。
2.3 変換領域法
変換領域法は、信号を別の基底で表現し、ノイズ成分を分離・除去してから逆変換する手法である。周波数領域や時間周波数領域での処理が可能で、非定常ノイズにも対応できる。
2.3.1 ウェーブレット変換
ウェーブレット変換は、信号を時間・周波数の両方の局所性を持つウェーブレット関数で分解する手法である。変換後の係数に対して閾値処理（ソフト/ハード閾値）を施すことでノイズを除去する。ガウシアンノイズに有効であり、画像のエッジやテクスチャの保存性が比較的高い。
2.3.2 フーリエ変換と周波数フィルタリング
フーリエ変換は信号を周期的な正弦波の重ね合わせに分解し、周波数領域でフィルタリングする。低域通過フィルタで高周波ノイズを除去できるが、画像のエッジも高周波成分を含むため、エッジぼけが生じる。実装が容易でリアルタイム処理に適する。
2.4 統計的アプローチ
統計的アプローチは、信号とノイズの確率モデルに基づいて最適な推定値を導出する手法で、より理論的に洗練されたノイズ除去を実現する。
2.4.1 ウィーナーフィルタ
ウィーナーフィルタは、信号とノイズのパワースペクトル密度が既知である場合に、平均二乗誤差を最小化する線形フィルタである。白色ノイズに対し最適な性能を発揮するが、信号とノイズの統計情報を事前に必要とする。実用的には推定スペクトルを用いることが多い。
2.4.2 カルマンフィルタ
カルマンフィルタは、状態空間モデルに基づく逐次推定フィルタであり、時間変化する信号に対するノイズ除去に用いられる。センサーデータや動画像のノイズ除去で広く使われ、予測と観測の更新を繰り返してリアルタイムに最適推定値を得る。非線形の問題には拡張カルマンフィルタなどの派生手法が存在する。
2.5 深層学習手法
深層学習手法は、大量のデータからノイズ除去パターンを学習するアプローチであり、従来手法を凌駕する性能を示す。特に画像や音声の分野で急速に普及している。
2.5.1 畳み込みニューラルネットワーク（CNN）
CNNを用いたノイズ除去は、エンドツーエンドで劣化画像からクリーン画像への写像を学習する。DnCNNなどのネットワークが代表的で、残差学習やバッチ正規化を導入することで収束が安定し、高品質な出力を得られる。多様なノイズレベルに適応可能なモデルも開発されている。
2.5.2 オートエンコーダ
オートエンコーダは、入力データを潜在表現に圧縮し、再構築するネットワークである。ノイズ除去オートエンコーダ（DAE）は、ノイズを含む入力を元の信号に復元するよう学習する。潜在空間がノイズの影響を受けにくい特徴を抽出するため、汎用的なノイズ除去が可能となる。
2.5.3 生成敵対的ネットワーク（GAN）
GANを用いたノイズ除去は、生成器がクリーンな信号を生成し、識別器が本物らしさを評価する敵対的学習により行われる。高周波成分の復元に優れ、視覚的に自然な結果を得られる一方、学習が不安定になりやすく、計算資源を多く消費する。
3 応用分野
ノイズ除去技術は、画像、音声、センサーデータなど多様な領域で実用化されている。各分野で求められる品質やリアルタイム性に応じて適切な手法が選択される。
3.1 デジタル画像処理
デジタル画像におけるノイズ除去は、民生用カメラから専門的な医療機器まで幅広く利用される。画質向上や後段処理（認識・解析）の精度向上に寄与する。
3.1.1 写真のノイズリダクション
高感度撮影や暗所での撮影ではセンサー由来のノイズが顕著になる。スマートフォンやデジタルカメラでは、バイラテラルフィルタや深層学習モデルを組み合わせたノイズリダクションが標準的に搭載され、リアルタイム処理が実現されている。
3.1.2 医療画像（MRI・CT）
MRIやCTでは、被曝低減や撮影時間短縮のために低線量・高速撮影が求められ、結果としてノイズが増加する。ウェーブレット変換や深層学習を用いたノイズ除去により、診断に十分な画質を保ちながら放射線量を低減できる。
3.2 音声処理
音声処理におけるノイズ除去は、通信品質の向上や音声認識の精度改善に不可欠である。背景雑音や電気的なハム音が対象となる。
3.2.1 音声強調
音声強調は、雑音環境下で収録された音声から目的の音声だけを抽出する技術である。スペクトルサブトラクションやウィーナーフィルタが古典的に用いられ、近年はCNNやリカレントニューラルネットワーク（RNN）によるブラインド音源分離が主流となりつつある。
3.2.2 音楽録音のノイズ除去
音楽制作では、録音時に混入した空調音や電磁ノイズを除去するためにノイズゲートや適応フィルタが使用される。深層学習モデルは非定常ノイズにも対応でき、楽器本来の音色を損なわない高精度な処理が可能になっている。
3.3 センサーデータ処理
各種センサーから得られるデータは、環境要因や機器の特性によりノイズを含む。ノイズ除去はデータの信頼性向上に直結する。
3.3.1 IoTセンサー
IoTデバイスでは、温度、湿度、加速度などの測定値にランダムな変動が乗る。カルマンフィルタによる平滑化が広く用いられ、バッテリー消費が少なくリアルタイム処理が可能な軽量アルゴリズムが好まれる。
3.3.2 衛星画像
衛星画像は大気の揺らぎやセンサー固有のノイズを含むため、前処理としてノイズ除去が不可欠である。変換領域法や深層学習を活用して土地被覆分類や変化検出の精度を向上させる研究が進んでいる。
4 実装上の注意点
ノイズ除去を実装する際には、処理速度と品質のバランス、パラメータ設定の容易さなど、実用的な制約を考慮する必要がある。
4.1 リアルタイム処理の制約
ライブ映像や音声通話などのリアルタイム用途では、フレームレートや遅延の制約が厳しい。計算量の多い深層学習モデルはGPUや専用ハードウェアが必要となり、軽量な線形フィルタや簡易な非線形フィルタが選択されることが多い。近年はエッジデバイス向けにモデル圧縮や量子化技術が進展している。
4.2 エッジ保存とぼかしのトレードオフ
ノイズ除去は、細部を保ちながらノイズを抑えるという本質的なトレードオフを伴う。強い平滑化はエッジやテクスチャをぼかし、弱い平滑化はノイズを残す。目的に応じてフィルタのパラメータ（カーネルサイズ、標準偏差など）を適切に調整する必要がある。バイラテラルフィルタや深層学習はこのトレードオフを改善するが、完全な解決には至っていない。
4.3 パラメータ調整と自動化
多くの手法では、カーネルサイズや閾値、学習率など多数のパラメータを手動で調整する必要がある。自動化のため、ノイズ強度の推定値に応じてパラメータを適応的に変更する手法や、ベイズ最適化によるハイパーパラメータ探索が研究されている。深層学習モデルでは学習データがパラメータ調整の役割を担い、汎化性能が重要となる。
5 今後の展望
ノイズ除去技術は、より高い品質と汎用性を目指して進化を続けている。新しい計算パラダイムや人間の知覚モデルを取り入れた研究が活発である。
5.1 適応的ノイズ除去
従来の手法では固定的なモデルを用いるが、将来的には信号内容や環境に応じて動的にアルゴリズムを切り替える適応的ノイズ除去が主流になると予想される。例えば、画像の局所的なテクスチャやノイズレベルをリアルタイムに分析し、最適なフィルタを選択する方式が開発されている。また、強化学習を用いてフィルタパラメータを自動調整する研究も進行中である。
5.2 量子コンピューティングとの融合
量子コンピュータは、特定の行列演算やフーリエ変換を高速に実行できる可能性があり、ノイズ除去の計算コストを劇的に削減することが期待される。量子回路を用いた信号フィルタリングや、量子機械学習によるノイズ除去モデルが理論的に提案されている。実用化にはハードウェアの安定性や誤り訂正技術の進展が必要である。
5.3 人間の知覚モデルに基づく手法
ノイズ除去の最終的な評価は人間の視聴覚に委ねられるため、知覚モデルを直接組み込んだ手法が注目されている。例えば、画像のコントラスト感度関数（CSF）や音声のマスキング効果を損失関数に取り入れた深層学習モデルは、客観指標だけでなく主観品質も向上させる。脳科学や心理物理学の知見を活用することで、より自然で快適なノイズ除去が実現されると期待される。