信息科学 | 面向TDICCD噪声建模的物理引导深度神经网络
信息科学 | 面向TDICCD噪声建模的物理引导深度神经网络
摘要:时间延迟积分CCD(Time Delay Integration CCD,TDICCD)在遥感成像领域应用广泛,由于其存在暗电流、复位噪声及量化噪声等复杂噪声源,导致现有方法难以表征微光环境下真实传感器中的信号无关性噪声分布。针对该问题,提出一种面向 TDICCD噪声建模的物理引导深度神经网络(Physics-guided Deep Neural Network,PDNN),通过从暗场图像中学习信号无关性噪声,并将其与基于泊松分布建模的信号相关性噪声叠加得到合成噪声,从而准确表征TDICCD在微光条件下的噪声分布。首先,该网络通过TDICCD噪声解耦(TDICCD Noise Decoupling,TND)模块将暗场图像解耦成空间无关性的像素噪声。然后,TDICCD噪声建模(TDICCD Noise Modeling,TNM)主干网络中的增益多级自适应(GainandMulti-stageAdaptive,GMA)模块和 1×1 卷积模块将初始噪声映射到接近真实噪声水平的分布空间,并保持像素噪声的独立性。最后,使用任务平衡损失(Task Balanced Loss,TBL)对网络进行约束,通过动态调整权重因子以维持训练过程的相对均衡,进一步优化网络性能。实验结果表明,在自建数据集中所提方法的平均KL散度(Average Kulback-LeiblerDivergence,AKLD)达到0.1069,在现有方法中具备显著优势,且使用合成噪声图像训练得到的PSNR与SSIM指标接近真实数据水平。PDNN能够准确描述TDICCD在微光条件下的噪声分布,对提升微光遥感影像的视觉质量具有实际应用价值。