デジタル写真のダスト自動補正：
DxO PureRAW ⁶ が
ディープラーニングで
ダストスポットを検出・除去する仕組み

DxO PureRAW ⁶ に、ダストの自動検出・除去機能が登場。ワンクリックで、画像全体のダストスポットを検出して消去することで、煩わしい手作業を自動化します。 この機能は、最先端のオブジェクト検出ニューラルネットワークと、DxO の実績ある修復エンジンを組み合わせたものです。

ユーザーにとっての主なメリット

• 完全に自動のワークフロー：ダストの検出と除去は、チェックボックス 1 つで完了します。 撮影データを一括処理すれば、すべての画像がクリーンな状態になります。
• 感度を調整可能：スライダを使って、あらゆるダストスポットを検出するか（高感度）、誤検出のリスクを抑えるか（低感度）を自由に調整できます。

（とは言っても、機材は定期的にクリーニングしましょう。 ）

問題点

レンズ交換式カメラは、センサーやレンズにダストが付着しやすい傾向があります。 これらの微粒子は、画像に小さくぼんやりとしたシャドウを落とします。特に、空やスタジオの背景など、均一で滑らかな領域で目につきます。

フォトグラファーは、これまでは、このダストに撮影後の処理で対応し、修復、ヒール、レタッチブラシを使っていました。 ダストの多い画像や大量の画像を処理する場合、この作業はすぐに面倒なものになります。

DxO PureRAW ⁶ は、この処理を自動化します。 検出アルゴリズムが画像をスキャンしてダストスポットを検出し、修復アルゴリズムが各ダストスポットを自動的に除去します。

ダスト検出が難しい理由

一見すると、センサーダストは簡単に特定できそうに思えます。小さく、暗く、ほぼ円形のシミのようなものです。 ところが、このシンプルな見かけには落とし穴があります。 いくつかの特性が重なることで、検出は驚くほど難しくなります。

極めて微細：ほとんどのダストスポットが遮るのは、入射光のごくわずかな割合（多くの場合わずか 5 〜 20% 程度）だけです。 不透明な斑点ではなく、わずかな汚れであり、その視認性は背景となる画像に大きく左右されます。

非常に小さな空間的な広がり：一般的なダストスポットは、フル解像度では、わずか数ピクセル程度の大きさしかありません。人や車を検出するために最適化された汎用オブジェクト検出機能では、認識が困難なほど微細です。

特徴的な構造がない：主流の検出機能が得意とする被写体（目・鼻・口が写っている顔、ホイールや窓のある車など）とは異なり、ダストスポットにはニューラルネットワークが手がかりにできる要素がほとんどありません。 本質的に、かすかな暗いシミにすぎないのです。

膨大なバリエーション：ダストスポットの見え方は、粒子のサイズや形、センサー表面からの距離、レンズの絞り値、背景シーンの色や明るさによって変化します。 輪郭のはっきりした円形のものもあれば、ぼんやりとにじんだハロー状のものもあります。 明るい空に対してほぼ黒く見えるものもあれば、ノイズとほとんど区別がつかないものもあります。 ダストスポットは、想像するよりもはるかに多様です。 絞り値やシーンに依存するため、物理的に同じ粒子でも、写真ごとに見え方がまったく異なる可能性があります。

検出モデル：RF-DETR

この機能の中核を担うのが、トランスフォーマーベースのオブジェクト検出アーキテクチャ RF-DETR です。 DxO では、CNN ベースの複数世代のモデルを含む、さまざまな検出アーキテクチャを検証し、 以下の理由から RF-DETR を選択しました。

最先端の精度：RF-DETR は、標準的なオブジェクト検出ベンチマークでトップクラスのスコアを達成し、有名な多くの代替モデルを上回っています。

複数のモデルサイズ：Nano、Small、Medium、Large、XL のバリエーションが用意されており、精度と計算コストの最適なバランスを選択できます。 DxO は、Medium バリエーション（3,300万パラメータ）採用しました。

解像度に依存しないアーキテクチャ：RF-DETR には、入力解像度を固定する全結合レイヤーが含まれていません。 この柔軟性は、DxO のタイル化推論戦略において重要です。画像を 512×512 ピクセルのオーバーラップするパッチに分割し、各パッチに対して検出モデルが個別に実行されます。 その結果は、フルイメージ全体で統合されます。

標準的なベンチマークでは、RF-DETR は、人、車、動物、家具など、数十のオブジェクトカテゴリーを検出します。 DxO では、ダストスポットという単一クラスのみを認識するように同モデルを再トレーニングしました。 課題は、分類ではなく検出、つまり広大な画像の中から微小で低コントラストな特徴を見つけ出すことです。

トレーニングデータ

信頼性の高いダスト検出機能をトレーニングするには、ダストの形、不透明度、ブラー、背景のあらゆる組み合わせを網羅した、膨大な数のサンプルをネットワークに学習させる必要があります。

まず、DxO は、実際にダストスポットがある数千枚の写真を収集し、すべてを手作業で丁寧にラベル付けしました。 この実写データセットだけでも、多様なダストの形、サイズ、不透明度、ブラーの具合、背景を幅広くカバーしていますが、DxO はさらに先を目指しました。

画像と信号処理に関する専門知識を活かし、DxO の研究チームは、ダストシンセサイザーを開発しました。これは、実物と見分けがつかないダストスポットを生成し、ランダムな写真または合成背景に合成する、コンパクトなアルゴリズムです。 このシンセサイザーは、実際のダストの主要な物理的特性（不規則なシミの形、線形空間におけるチャネルごとの光の減衰、エッジを柔らかくするブラー、一部の粒子が示す方向性のあるシェーディングなど）をモデル化します。 すべてのパラメータは、実際のダストスポットの統計分析から導き出された、慎重にキャリブレーションされた範囲内で無作為に選択されます。

この合成アプローチにより、トレーニングセット全体でダストの特性と背景が均等に分布し、手動で収集したデータセットでは避けられない偏りを解消します。 たとえば、非常にかすかなスポット、非常に小さなスポット、通常とは異なる背景など、実写画像だけでは不足しがちな組み合わせをネットワークに十分学習させることができます。

DxO のダスト検出ネットワークは、トレーニングの過程で、実写と合成を合わせて約 100 万個のダストスポットを学習しています。

DeepPRIME XD3：第 4 世代の
AI デノイジング／デモザイキング

DxO PureRAW⁶ に、ベイヤーセンサー向け DeepPRIME XD3 が登場。RAW 画像処理を支える DxO のディープラーニングエンジンが、最新世代へと進化しました。 単一のニューラルネットワークが、ノイズ除去、デモザイキング、色収差補正の 3つのタスクを同時に処理し、前世代を超える、さらに微細なディテールを実現します。

このテクノロジーは、3つの柱で支えられています。色収差補正をネットワークの処理対象に加えた新しいマルチタスク定式化、広範な研究を通じて発見された最適化済みの畳み込みアーキテクチャ、合成トレーニングデータと実際の RAW 画像とのギャップを埋める大幅に改良されたトレーニングパイプラインです。

主なメリット

• さらなる画質の向上：さらにクリーンな色の再現、より詳細なディテールと同時に、アーチファクトの低減を実現。特に高周波テクスチャやエッジの再現性に優れ、アンチエイリアシングフィルタを搭載しない最新センサーで、顕著な効果を発揮します。
• 同等の処理速度：大幅に強化されたネットワークでありながら、DeepPRIME XD3 は、一般的なハードウェアで DeepPRIME XD2s と同等の速度で動作します。
• 幅広い互換性：DeepPRIME XD3 は RAW 画像処理における最新の技術革新をすべて統合し、あらゆるセンサータイプに対応します。

6年にわたる進化の軌跡

RAW 変換とは、カメラセンサーが捉えたノイズを含む単色サンプルのモザイクをフルカラーの写真へと変換する処理です。DxO は 20年以上にわたり、この領域の最前線で専門性を磨き続けてきました。 2020年、DxO はノイズ除去とデモザイキングを単一パスで同時に実施する、世界初の商用ニューラルネットワーク DeepPRIME を発表しました。

それ以来、DxO は、品質のさらなる向上を絶え間なく追求してきました。ディープラーニングとこの包括的アプローチにより、富士フイルムのカメララインナップの一部に採用されている X-Trans センサーにも、ついに対応するようになりました。 これらのセンサーは、従来のデノイザーではサポートされていませんでした。 2022年には「XD」（eXtreme Detail）ファミリーを導入しました。これは、DeepPRIME エンジン開発において二段階目にあたり、最高レベルの画質を追求する一方で、大きく負荷がかかる演算処理を伴うため、高性能な GPU か、非常に長い処理時間が求められます。

2020年：DxO PhotoLab⁴
DeepPRIME。 単一のディープニューラルネットワークによるノイズ除去とデモザイキングの同時処理（ベイヤーセンサーのみ）。

2022年：DxO PureRAW ²
DeepPRIME が X-Trans センサーに対応。

2022年：DxO PhotoLab⁶
DeepPRIME XD（「eXtreme Detail」）。 より高性能なアーキテクチャと知覚損失関数の採用により、さらに微細なディテールを実現（ベイヤーセンサーのみ）。

2023年：DxO PureRAW ³
DeepPRIME XD が X-Trans センサーに対応。

2024年：DxO PureRAW ⁴
DeepPRIME XD2。 敵対的識別損失により、より自然なレンダリングを実現（ベイヤーセンサーのみ）。

2024年：DxO PhotoLab⁸
DeepPRIME XD2s。 特定のカメラ機種に対するノイズキャリブレーションの改善。

2025年：DxO PureRAW ⁵
DeepPRIME 3。 ノイズ除去、デモザイキング、色収差補正の 3 つのタスクを同時処理（ベイヤーおよび X-Trans）。

2025年：DxO PhotoLab⁹
DeepPRIME XD3。 より高性能なアーキテクチャと 2 段階トレーニングの採用（X-Trans のみ）。

2026年：DxO PureRAW ⁶
DeepPRIME XD3 がベイヤーセンサーに対応。

DeepPRIME XD3 の開発にあたり、まず X-Trans から着手したのは自然な判断でした。DeepPRIME XD X-Trans バージョンは、ベイヤーユーザーがすでに利用していた DeepPRIME XD2s よりも世代が古く、その性能を超えやすかったからです。 しかしその結果、DeepPRIME XD2s にとっては、やや複雑な状況が発生しました。 ほとんどの画像では DeepPRIME XD2s が最高の品質を実現していましたが、色収差の影響を受けた低 ISO 画像では、DeepPRIME 3 のほうがむしろ良い結果を出す場合がありました。 ベイヤーセンサー向け DeepPRIME XD3 のリリースにより、2023年当時のシンプルな状況に戻ります。お使いのカメラを問わず、2つの RAW 変換ネットワーク（速度と画質のバランスを重視するもの、最高の画質を実現するもの）から選択できるようになります。

RAW 画像復元の課題

CMOS センサーが捉えるすべてのデジタル画像には、ソフトウェアがピクセルを処理する前の段階で、3つの根本的な欠陥が含まれています。

カラーモザイク：センサーは、各ピクセルでフルカラーを取得するわけではありません。微小なカラーフィルターのグリッドにより、各受光素子は 3色（赤・緑・青）のうち 1色しか記録できません。 すべてのピクセルで欠落している 2 色を復元する処理が、デモザイキングです。 デジタル写真で広く使われているフィルタパターンは、2種類あります。全デジタルカメラの約 95% が採用するベイヤーと、残り約 5% に搭載される X-Trans です。

センサーノイズ：各受光素子が、ランダムな数のフォトンを捕捉します。ショットノイズは、光そのものに内在する避けられない性質であり、電子的なリードノイズによりさらに増幅されます。 高 ISO 感度では、ノイズにより微細なディテールが完全に失われてしまうこともあります。

色収差：ほとんどのレンズは、すべての波長の光をまったく同じ点に結像させるわけではありません。 その結果、赤・緑・青チャネル間にわずかな横方向のずれが生じ、高コントラストのエッジに沿ってカラーフリンジとして現れます。

従来の RAW 処理では、これら 3つの問題を独立して扱います。デモザイキングアルゴリズムが欠落色を補間し、別のデノイザーがノイズを抑制し、別のモジュールが色収差を補正します。各モジュールは、互いの判断を把握することなく独立して動作し、各モジュールが固有のアーティファクトを生成して、次の段階の処理が複雑になる可能性があります。DxO のアプローチは、2020年の DeepPRIME 登場以来、一貫して複数の問題を単一のニューラルネットワーク内で同時に解決するというものです。 DeepPRIME XD3 により、その原則がついに 3つの欠陥すべてに適用されるようになります。

3つの欠陥、1つのネットワーク

ノイズ除去、デモザイキング、色収差補正を同時に解決すべき理由は、根本的な相互依存性にあります。

これらのタスクを分離した場合に、何が起こるか考えてみましょう。 RAW 画像のノイズ除去には、モザイクパターンが実際のシーンとどのように対応しているかを理解する必要があります。つまり、暗黙的なデモザイキングをリアルタイムで行うことが求められます。 逆に、ノイズの多い画像をデモザイキングするには、ノイズを通して構造を見抜く能力、つまり暗黙的なノイズ除去が求められます。なぜなら、本来のエッジとノイズの揺らぎを区別することが、正確な色補間に不可欠だからです。 さらに、色収差の影響を受けた画像のデモザイキングは、その色収差を補正するのとほぼ同じ問題です。赤・緑・青チャネルが互いに横方向にずれている場合、各ピクセルで正しい色を再構築するには、チャネルが揃っている状態の画像を推定する必要があるからです。

これら 3つのタスクを 3つの別々のネットワークに分割した場合、前段階で生成されたアーチファクトに対応するよう学習させたとしても、各ネットワークが他のネットワークのインテリジェンスの一部を内部で再現する必要があるため、全体としてより多くの負荷と演算が必要になります。 その結果、同等の品質を得るには処理時間が長くなり、同等の速度を求めれば品質が低下することになります。

一方、単一のネットワークであれば、3 つのタスクすべてで内部再現を共有できます。 デモザイキングのためにエッジ検出を学習した機能は、シグナルとノイズの識別や、横方向のクロマティックシフトの検出にも活用されます。

合成トレーニングデータ

ニューラルネットワークの性能は、学習データの質に左右されます。 DeepPRIME XD3 では、トレーニングデータの品質と現実性が、ネットワークアーキテクチャそのものと同等に重要になります。

トレーニングデータの課題

2018年に DxO で DeepPRIME の研究が始まったとき、根本的な問いがありました。教師ありニューラルネットワークに必要なトレーニング例、つまり劣化した入力画像と対応する完璧なオリジナルのペアを、どのように取得するかという問題です。

あらゆる選択肢が検討されました。 実際の写真のペア（クリーンな低 ISO 画像とノイズの多い高 ISO 画像を同じシーンで撮影）は自然に思えましたが、実用的ではありませんでした。2つの露光は完全には一致せず、動く被写体は一貫性がなくなり、さらに DxO がサポートするすべてのカメラ機種と ISO 感度の組み合わせごとに繰り返す必要があるからです。 クリーンなリファレンスの代わりにバースト撮影シーケンスを使用するノイズ・トゥ・ノイズのアプローチは、同様のスケーリング上の制約を抱えています。 そして従来のラベリング（教師あり学習の基本手法）も、ここでは不可能です。ノイズを含む単一チャネルのピクセル値のモザイクを見て、人間が数十億ピクセルに対してノイズのない正しいフルカラーの出力を提示することはできません。

残されたのは、合成データ生成でした。自然な高品質の写真を出発点とし、実際のカメラセンサーが導入する欠陥をシミュレーションする手法です。 つまり各トレーニングサンプルは、合成的に劣化させた画像と、正解データとなるオリジナルの高画質のペアで構成されます。 理論上、これは最も拡張性がある方法です。DxO は 600種以上のカメラ機種をサポートしており、それぞれ約 20 の ISO 設定があるため、12,000通り以上の組み合わせが可能です。 しかもこの数字はノイズだけを考慮したものです。色収差はレンズ、絞り、ズーム設定、フォーカス距離によっても変化します。 すべてのカメラ、ISO、レンズの組み合わせに対して実際の画像のペアを撮影しようとすれば、構成数は数百万規模に膨れ上がります。 合成データ生成であれば、同一の正解画像プールから、そのすべてをカバーできます。

分布ギャップ

合成データの課題は、分布ギャップと呼ばれる現象です。シミュレーションされたトレーニング画像と、ネットワークが実際に処理することになる本物の RAW ファイルの間の統計的な差異を指します。

このホワイトペーパーの上記の図を生成するには、単純なシミュレーション、つまり色収差を模倣するためにカラーチャネルをわずかにずらし、ベイヤーモザイクを再現するために 3色のうち 2色を除去し、さらにホワイトガウスノイズを加えるだけの処理で十分です。 しかし、ニューラルネットワークの学習には不十分です。 このような理想化されたデータで学習したネットワークは、同じシミュレーションから生成された合成画像（学習時に見たことのない画像も含む）に対しては優れた性能を発揮しますが、実際のカメラで撮影された本物の RAW ファイルでは機能しません。

実際の RAW 画像は、単純なシミュレーションとは無数の点で異なります。

ノイズは、純粋なホワイトガウスではない：フォトンショットノイズは確かに白でシグナル依存性があります。これは光の物理法則によって保証されています。 しかし実際のセンサーデータは、光子ノイズと電子ノイズが混在しています。 電子ノイズ（リードノイズ、暗電流、バンディング）は空間的な相関を持ち、非ガウス分布の裾や、センサー設計ごとに異なる固定パターンを示すことがあります。

色収差は、画面全体で均一ではない：横方向のカラーシフトは一様ではなく、各レンズ固有の光学特性に従って、画像中心から隅にかけて、大きさと方向が変化します。

「RAW」ファイルは、真の RAW ではない：データがメモリカードに書き込まれる前に、カメラは一連のカメラ内処理（ブラックレベル補正、固定パターンノイズ減算、静的欠陥ピクセル補正、フォーカスピクセル補間など）を適用し、シグナルを変更します。 メーカーによっては、RAW データとして記録するものに対して、非可逆圧縮やノイズ除去まで適用する場合もあります。

センサーの動作は、使用状況によって変化する： ノイズ特性は、センサーの温度、シャッター方式（メカニカル／電子）、その他の動作条件によって変わる可能性があります。 こうした特性は、メーカーごとに異なるだけでなく、同じメーカーでも世代によって大きく変わります。 メーカーは内部処理を公開していないため、 注意深い観察に基づいて、その処理内容を推測する必要があります。

ギャップを埋める

2018年以来、DxO はこの分布ギャップを最小化するために、20年以上にわたる画像信号処理の専門知識、そして非常に重要な、業界に類のない独自のキャリブレーションデータベースなど、あらゆるリソースを活用してきました。 DxO のラボでは、サポートするすべてのカメラ機種について、各 ISO 設定ごとにキャリブレーション画像（撮影コンテンツとダークフレームの両方）を撮影・分析し、ノイズの標準偏差だけでなく、その完全な統計プロファイル（分布、カメラ内処理に起因する空間的相関、さらにセンサー上の位置や動作条件によるこれらの特性の変化）を把握しています。 このデータベースは、もともと DxO の従来のノイズ除去アルゴリズム向けに構築されたものでしたが、ニューラルネットワークのトレーニングにおいても、かけがえのない基盤となりました。

しかし、既存のシミュレーションではカバーしきれないギャップが、一部のカメラで明らかになることもあります。その課題は、最近の例で端的に示されています。富士フイルムの第 4 世代・第 5 世代 X-Trans センサーで、最初の 3 世代と比べて何かが変化していたのです。 徹底して取り組んだにもかかわらず、DeepPRIME XD2 のトレーニングパイプラインではこれらのセンサーに対して満足のいく結果を得ることができなかったため、DeepPRIME XD2 および XD2s は、ベイヤーセンサー専用としてリリースされました。

DeepPRIME XD3 では、これらのセンサーへの適切な対応が最優先課題でした。 数か月にわたる調査を通じて、開発チームは新世代 X-Trans センサーが前世代とどのように異なるかを解明し、ネットワークがこれらのカメラの実画像に対して十分に汎化できるように分布ギャップが小さくなるまで、トレーニングデータの合成プロセスを体系的に調整し続けました。

最適なアーキテクチャの探索

3つ目のタスクの追加とデモザイキング品質の向上には、より高性能なネットワークが必要でした。 チームはまず、幅広い調査に着手しました。 現在多くのディープラーニング分野で主流となっている Transformer アーキテクチャに加え、複数の畳み込みニューラルネットワーク（CNN）設計をテストしました。 この特定のタスク、つまりノイズが多く不完全なデータから微細な局所的画像ディテールを復元する処理においては、CNN のほうが効果的であることが実証されました。 CNN に内在する局所バイアス（小さな空間的近傍に焦点を当てる特性）は、存在しない構造をハルシネーションすることなく、自然にノイズの平滑化を促します。 長距離依存関係をモデル化する Transformer は、ノイズを抑制するよりも、通過させてしまう傾向がありました。 ノイズ除去においては、CNN の局所的な規則性へのバイアスは制約ではなく、むしろ利点です。

DeepPRIME XD3 の初期プロトタイプは目標の品質を達成しましたが、処理速度が DeepPRIME XD2s の 3倍も遅く、数千枚の画像を扱う実用ツールとしては処理速度が遅すぎる状態でした。 そこで課題となったのは、同等の計算予算に収めながら、同じだけのインテリジェンスを発揮できるアーキテクチャを見つけることでした。開発チームは、さまざまな畳み込みブロック設計、以前の世代で使用していたフル 3D 畳み込みに代わる分離可能畳み込み、異なる活性化関数、そして U-Net の各スケールに割り当てる演算量の配分を検討しました。

各候補アーキテクチャは、NVIDIA H100 GPU で、約 3週間トレーニングされました。合計約 50 の構成が検証され、アーキテクチャの調査だけで累計約 3年分の H100 GPU 時間が費やされました。

この全プロセスが、まず X-Trans、次にベイヤー向けに 2回実施されました。ベイヤーバージョンが DxO PureRAW ⁶ で今になってようやく搭載される一方、X-Trans バージョンが 6ヵ月前に DxO PhotoLab⁹ で先行リリースされていたのは、主にこのためです。

その結果、DeepPRIME XD2s よりもパラメータ数が大幅に多いものの、一般的なハードウェアでの推論時間をほぼ同等に抑えるネットワークが誕生しました。 インテリジェンスが向上し、より多くの負荷がかかるものの、処理速度に大きな影響はありません。

リノイジング、再考

約 20年前、DxO の研究者たちは、今日でも変わらない事実を発見しました。ノイズ除去機能にノイズの一部だけを除去させるのは、非常に困難だということです。デノイザーは、初期のウェーブレットフィルタやノンローカルミーンフィルタから最新のニューラルネットワークにいたるまで、すべてのノイズを除去するよう指示された場合に、最も優れた性能を発揮します。 部分的な除去を試みると、アーチファクトが発生しがちです。 優れたノイズ除去機能ほど、ノイズ除去の過程でより多くのディテールを保持しますが、最高のノイズ除去機能でさえ、ノイズと一緒に一部の微細な構造が失われることは避けられません。

完全にノイズ除去された画像に生じる「プラスチック」のような質感を避けるため、DxO の研究者は、シンプルかつ効果的な手法を考案しました。ノイズ除去機能に徹底的にノイズ除去を行わせた後、除去されたノイズのごく一部を画像に戻すのです。 合成ホワイトノイズではなく、オリジナルのノイズの一部を再導入することには、決定的な利点があります。処理の過程で失われた微細なディテールの一部も同時に復元されるということです。 この手法は、2008年リリースの DxO OpticsPro 5 に初めて搭載されました。DeepPRIME XD3 は、当時のノイズ除去・デモザイキングアルゴリズムとは比較にならないほど高性能で、この原則は今も変わらず有効です。

DxO PureRAW ⁶ では、このノイズ再導入が、レンズ補正、具体的にはヴィネット補正とディストーション補正と相互作用する方法を見直しました。 両方の補正が、残留ノイズを画像に戻す前に適用されるようになり、メイン信号とノイズ成分を別々に扱うことが可能になりました。

ヴィネット：RAW 画像におけるノイズレベルは、非線形のシグナルレベルにより変わります。 ヴィネットが強いレンズでは、隅の S/N 比（信号対雑音比）が大幅に低下します。 均一な明るさの画像を得るために隅を増幅すると、ノイズも同時に増幅され、中央部よりも明らかにノイズが目立ってしまいます。 解決策は、ノイズモデル（シグナルレベルとノイズレベルの既知の関係）を用いてフレーム全体でノイズが均一になる補正ファクターを導出し、ノイズを戻す前にこのファクターを適用することです。

ディストーション：ディストーション補正には、ピクセルグリッドの幾何学的補間が必要です。 ホワイトノイズに対して補間を適用すると、ノイズに偽の構造が生成され、ノイズレベルが周期的に変動する、という 2 つの望ましくない影響が生じます。 補間座標が実ピクセルと一致する位置ではノイズがそのまま保持されますが、ピクセル間に位置する場合は、ノイズが平滑化されてレベルが低下します。 DxO PureRAW ⁶ では、ノイズコンポーネントに対して専用の補間アルゴリズムを個別に適用することでこの問題に対処し、ディストーション補正後もノイズレベルが均一に保たれるようにしています。

これらの効果は、残留ノイズがオリジナルの一部に過ぎないものの明確に知覚できる、高 ISO 設定で最も顕著に現れます。

この改善されたリノイジングパイプラインは、DeepPRIME 3 とDeepPRIME XD3 の両方に適用されます。 これは、DxO がどれほどディテールにこだわっているかを示す、好例です。DxO の目標は「単に」世界最高のノイズ除去を生み出すことではなく、世界最高の RAW 変換エンジンを構築することなのです。

結果

これらの進化による実際の効果は、画像の内容や撮影パラメータによって異なります。 X-Trans センサーにおいて DeepPRIME XD3 に置き換わる DeepPRIME XD と比較すると、新エンジンは、全般的によりクリーンで自然な結果を生み出します。 DeepPRIME 3 との比較では、ほとんどの場合、あらゆる ISO 感度で、よりクリーンでさらに精密な画像を実現します。 DeepPRIME XD2s との違いは、より微細です。DeepPRIME XD3 は、繊細なテクスチャの画像、シャープなレンズ、光学アンチエイリアシングフィルタを搭載しないセンサー、色収差を示すレンズの組み合わせで、最もメリットがあります。デモザイキングと色収差補正の改善は、低 ISO で、ディテール保持力の向上は、中〜高 ISO 設定で最も顕著に現れます。

DxO の革新的なアプローチが、画質を損なうことなく DNG ファイルを 4 分の 1 に削減する仕組み

DxO PureRAW ⁶ は、DNG 形式に新しい高忠実度圧縮オプションを導入しました。現行のロスレス圧縮と比較して、ファイルサイズを約 4 分の 1 に削減しながら、知覚上の画質を完全に維持します。

DxO の新しい高忠実度圧縮テクノロジーは、ダイナミックレンジ圧縮と JPEG XL 画像コーデックという 2 つの補完的な技術を組み合わせています。

主なメリット

• 1/4 のファイルサイズ：5,000万画素カメラのリニア DNG が、約 200MB から約 50MB に縮小。リニア DNG を、日常的な撮影や大量処理のワークフローで実用的に活用できます。ファイルが小さくなることで、インポートの高速化、クラウド同期の迅速化、ディスク使用量の削減が実現します。
• 高い忠実度：大胆な編集を加えた場合でも、圧縮による劣化は知覚できないレベルです。
• 互換性：出力されるファイルは、標準的な DNG ファイルのままです。DNG 対応のアプリケーション（Adobe Lightroom、Capture Oneなど）であれば、通常どおりにファイルを開いて編集できます。

なぜ、さらなる圧縮が必要なのか？

リニア DNGは、DxO PureRAW の推奨出力フォーマットです。最大限の編集余地を保ちながら、サードパーティ製 RAW 現像ソフトとの幅広い互換性を実現します。 しかし、DNG 仕様に組み込まれたロスレス圧縮を適用しても、一般的なリニア DNG のファイルサイズは、1メガピクセルあたり約 4MB に達します。5,000万画素のカメラでは、1画像あたり 200MB にもなります。

このような大容量のファイルをさらに圧縮したいというニーズがあるのは、当然のことです。
では、品質を損なうことなく、どこまで圧縮できるのでしょうか？

ロスレスから、知覚的ロスレスへ

ロスレス圧縮は、展開後のファイルが元のデータとビット単位で数学的に同一であることを保証するため、開発者にとってもユーザーにとっても最も安心できるアプローチです。しかし、この種のアルゴリズムには、本質的な効率の限界があります。特に、圧縮対象の信号に、知覚的には無意味な情報が含まれている場合、その限界は顕著です。

DxO PureRAW 6 では、DxO の画像科学者チームが、この不要な情報を圧縮前に除去する圧縮方式を開発しました。圧縮前に、この情報を除去することで、はるかに高い圧縮率を実現しています。 その成果が知覚的ロスレス圧縮と呼ばれる技術です。数学的な損失は存在しますが、通常の閲覧・編集条件下では、人間の目には知覚できないレベルに収まっています。

DxO は、リニア DNG ファイルにおいて、知覚的に無関係な情報を 2種類特定しました。

１．過剰なピクセル精度：デジタルカメラの RAW ファイルは通常、1ピクセルあたり、12ビットまたは 14ビットでエンコードされます。DxO の DeepPRIME パイプラインの出力は 16ビットです。ただし、画像には、常にわずかなノイズが意図的に残されています。これは、完全なノイズ除去によって生じる不自然な「プラスチック」のような見た目を防ぐためです。 以下で説明するとおり、信号に含まれるノイズが多いほど、数値精度をフルに確保する意味は薄れます。この利用されない精度を除去するのが、ダイナミックレンジ圧縮（DRC）の役割です。

２．テクスチャやグレインの正確な形状：ノイズのグレインや、微細なテクスチャの形状にわずかな違いがあっても、人間の目には知覚できません。 こうした微細なディテールを単純化するのは、画像・映像圧縮における古典的な原理であり、JPEG XL コーデックが担う領域です。

いずれの技術も、標準的な DNG メカニズムを使用しているため、対応ソフトウェアであれば、生成されたファイルを問題なく開くことができます。DRC は DNG Linearization Table タグによってエンコードされ、JPEG XL は DNG 仕様バージョン1.7で導入された圧縮モードです。どちらも、主要な RAW 現像アプリケーションでサポートされています。

ダイナミックレンジ圧縮

ダイナミックレンジ圧縮（DRC）は、オーディオ信号処理の分野で広く知られている技術です。 コンプレッサーは、非線形の伝達関数を適用して信号のダイナミックレンジを圧縮します。オーディオの用語で言えば、大きな音は減衰させ、小さな音は増幅させることで、与えられたビット量の中に信号を効率的に収めるものです。 この原理は、RAW デジタル画像にも極めて適していることが分かっています。

DRC が RAW 画像に有効な理由

デジタル画像は、光そのものの基本特性であるフォトン（ショット）ノイズの影響を受けます。 このノイズの標準偏差は、信号強さの平方根に比例して増大します。

この特性は、リニア画像の圧縮に重大な影響を及ぼします。

• 暗部では、ノイズは非常に少なく、信号は精緻な構造を持っています。 精度のあらゆるビットが真に有用な情報を含んでいる可能性があり、14ビット、あるいは 16ビットが必要になる場合もあります。
• 明部では、ノイズが相対的に大きくなります。 有用な信号精度は、14ビットや 16ビットが表現できる範囲よりも、はるかに低くなります。余分なビットは、誰も必要とせず、目にすることもできないレベルでノイズをより精密にエンコードしているにすぎません。

ハイライト領域に存在する、知覚的に無意味な高精度サンプルこそが、ロスレス圧縮の効率を低下させる原因です。コンプレッサーは、意味のある情報を一切含まないビットまで、忠実にエンコードしなければならないからです。

• DRC は、圧縮前にリニアピクセル値にコンパンディング関数（具体的には平方根に近い曲線）を適用することで、この問題に対処します。 これは分散安定化変換と概念的に関連しています。平方根を適用した後は、ノイズの標準偏差がトーン全域にわたってほぼ一定になります。 精度は本当に重要な部分に配分されます。つまり、シャドウには多くの階調を、ハイライトには少なめの階調を割り当てます。知覚的に意味のある情報は一切失われません。

展開時には、DNG 線状化テーブルに格納された逆関数により、DNG 仕様が意図するとおりの元のリニアエンコーディングが復元されます。この処理は、後段のどのアプリケーションでも特別な処理を必要とせず、そのまま扱うことができます。

量子化レベルの数は保守的に選定され、大幅な露出プッシュと極端なシャドウ回復を組み合わせたワーストケースの編集シナリオに対して検証済みです。あらゆる実用的な使用条件において、量子化アーティファクトが視認されないことが確認されています。

JPEG XL 圧縮

DRC 処理後のコンディショニング済み画像は、JPEG 委員会が標準化した次世代画像コーデックである JPEG XL で圧縮されます。

JPEG XL が従来の JPEG より優れている理由

従来の JPEG は 1992年に策定された規格で、固定の 8×8 ブロック変換と比較的単純なエントロピー符号化に依存しています。 当時は画期的でしたが、今日の水準から見ると、このアプローチでは圧縮性能に大きな改善余地が残されています。 JPEG XL は、画像圧縮研究における20年以上の進歩を取り込んでいます。

可変サイズ変換：最小 2×2 から最大 256×256 まで対応し、エンコーダーは平滑な領域では大きく効率的なブロックを、エッジ付近では小さく精密なブロックを使用できます。それによって、画一的なグリッドではなく、画像の局所的な特性に適応します。

知覚最適化された色空間：JPEG XL の内部カラー表現は、人間の視覚システムをモデルとしており、知覚にとって最も重要な画像の側面にビットを、よりスマートに割り当てることが可能です。

高度なエントロピー符号化：最新の高効率な符号化技術により、従来の手法では不可能だったレベルまでデータの冗長性を抽出します。

高精度な予測とコンテキストモデリング：エンコーダーは、処理の進行に合わせて画像の統計モデルを構築し、きめ細かなローカル構造を捉えることで、実際に保存すべき予測不能な情報量を削減します。

ネイティブ高ビット深度サポート：従来の JPEG とは異なり、JPEG XL は高ビット深度コンテンツを前提にゼロから設計されており、RAW 画像処理パイプラインの圧縮レイヤーとして理想的です。

DxO では、JPEG XL を、ニアロスレスの品質設定で適用しています。つまり、コーデックが導入する数学的損失はごくわずかであり、実際の画像のノイズフロアをはるかに下回るレベルです。 事前の DRC との組み合わせこそが、この圧縮を極めて効果的にしている鍵です。知覚的に無関係な精度を JPEG XL に渡す前に除去することで、コーデックには本質的に圧縮しやすい信号が供給されます。品質を損なう判断をコーデックに委ねる必要がなくなるのです。

DxO PureRAW ⁶ がベイヤーセンサー対応の画期的な DeepPRIME XD3、よりスマートなツールと大幅なワークフロー向上を発表

次世代のノイズ除去、革新的な圧縮技術、そして超高速処理。

DxO は本日、DxO PureRAW 6 を発表しました。この大型アップデートにより、RAW 画像の品質とワークフローのスピードがかつてないレベルへと進化します。 プロフェッショナルの RAW ワークフローにおける最初の必須ステップとしてすでに定評のあるバージョン 6 は、より鮮明で、よりクリーンで、よりディテール豊かな画像を実現し、フォトグラファーに完全な自由と効率性をもたらすよう設計されたインテリジェントなアップグレードを多数搭載しています。

今回のリリースにより、これまで X-Trans センサー専用だった DeepPRIME XD3 が、ベイヤーセンサーと X-Trans カメラの両方でその最高峰のノイズ除去とディテール抽出性能を発揮できるようになりました。 画期的な DNG 圧縮と強力なワークフローの改善を組み合わせることで、DxO PureRAW 6 編集プロセスの出発点においてフォトグラファーが期待できる、品質の新たなベンチマークを打ち立てます。

次世代の品質：DeepPRIME XD3 がベイヤーセンサーに対応

DeepPRIME XD3 は、高く評価されている DxO の DeepPRIME 技術が到達した、最先端の進化形です。 最も難易度の高いファイルのために設計された XD3 は、より大規模なニューラルネットワークを使用し、ノイズを除去し、ディテールを復元し、自然なテクスチャを保持します。極めて低照度・高 ISO の条件下でも、卓越した精度を実現します。

この技術をベイヤーセンサー搭載カメラにも拡張することで、DxO PureRAW 6 は、同時に行われるノイズ除去／デモザイキング処理において史上最高レベルの品質を、かつてないほど多くのフォトグラファーにお届けします。 夜景撮影から精緻なディテールの作品まで、XD3 は RAW ファイルから直接、常識を塗り替えるほどの、卓越した明瞭さと奥行きをもたらします。

ファイルサイズを劇的に縮小、それでいて画質はそのまま？ 圧縮 DNG の登場です

DxO PureRAW 6 は、新しい高忠実度の圧縮により、効率性の飛躍的向上を実現。スタンダードな非圧縮バージョンと比較して最大 4 分の 1のファイルサイズで、RAW 品質の DNG 出力を可能にします。

フォトグラファーは、RAW ワークフローが持つ豊かなダイナミックレンジと柔軟性をそのままに、ストレージスペースを大幅に節約できます。これは大規模プロジェクトや長期アーカイブにおける大きなメリットとなります。 大量のファイル管理も、より軽く、より速く、より合理化されたエクスペリエンスによって容易になります。

ワークフローの強力なアップグレード

バッチ並列処理で高速化

DxO PureRAW 6 はバッチ並列処理により大量処理を大幅に高速化。前の画像の処理が完了する前に、次の画像をインテリジェントに準備します。 これにより、大量のファイルを処理する際のスループットが飛躍的に向上し、動作もよりスムーズになるため、負荷の高いワークフローに大きなメリットを実現します。