يُستخدم جهاز شحن متكامل التأخير الزمني (Time Delay Integration CCD، TDI CCD) على نطاق واسع في مجال التصوير عن بعد. نظرًا لوجود مصادر ضوضاء معقدة مثل التيار الداكن، وضوضاء إعادة الضبط، وضوضاء التكميم، فإن الطرق الحالية تواجه صعوبة في تمثيل توزيع الضوضاء غير المتعلقة بالإشارة في أجهزة الاستشعار الحقيقية تحت ظروف الإضاءة الخافتة. لمواجهة هذه المشكلة، قُدمت شبكة عصبية عميقة موجهة بالفيزياء (Physics-guided Deep Neural Network، PDNN) لنمذجة ضوضاء TDI CCD، حيث تتعلم الضوضاء غير المتعلقة بالإشارة من صور المجال الداكن، وتدمجها مع ضوضاء متعلقة بالإشارة تمت نمذجتها بناءً على توزيع بواسون للحصول على ضوضاء مركبة، مما يسمح بتمثيل دقيق لتوزيع الضوضاء في TDI CCD تحت ظروف الإضاءة الخافتة. أولًا، تفكك الشبكة صورة المجال الداكن إلى ضوضاء بيكسل غير مرتبطة مكانيًا باستخدام وحدة فك ارتباط ضوضاء TDI CCD (TDI CCD Noise Decoupling، TND). ثم تقوم وحدة التكيف المتعدد المراحل مع الكسب (Gain and Multi-stage Adaptive، GMA) ووحدة الالتفاف 1×1 في الشبكة الرئيسية لنمذجة ضوضاء TDI CCD (TDI CCD Noise Modeling، TNM) بتحويل الضوضاء الأولية إلى فضاء توزيع يقترب من مستوى الضوضاء الحقيقي، مع الحفاظ على استقلالية ضوضاء البيكسل. أخيرًا، يتم تقييد الشبكة بخسارة التوازن بين المهام (Task Balanced Loss، TBL) من خلال تعديل عوامل الوزن ديناميكيًا للحفاظ على توازن نسبي أثناء التدريب وتحسين أداء الشبكة. أظهرت النتائج التجريبية أن متوسط تباعد كولباك-ليبيلر (Average Kullback-Leibler Divergence، AKLD) للطريقة المقترحة في مجموعة البيانات الخاصة يصل إلى 0.1069، مما يعكس ميزة واضحة مقارنة بالطرق الحالية، وأن قيم PSNR وSSIM التي تم الحصول عليها من تدريب الضوضاء المركبة تقترب من مستوى البيانات الحقيقية. يمكن لـ PDNN وصف توزيع ضوضاء TDI CCD بدقة تحت ظروف الإضاءة الخافتة، مما له قيمة تطبيقية لتحسين جودة الصور البصرية المقاسة ضوئيًا في ظروف الإضاءة الخافتة.

TDI CCD; التوجيه الفيزيائي; الشبكة العصبية; فك ارتباط الضوضاء; خسارة توازن المهام