Le CCD à intégration par décalage temporel (Time Delay Integration CCD, TDI CCD) est largement utilisé dans le domaine de l'imagerie de télédétection. En raison de la présence de sources de bruit complexes telles que le courant d'obscurité, le bruit de remise à zéro et le bruit de quantification, les méthodes existantes peinent à caractériser la distribution du bruit indépendant du signal dans les capteurs réels en environnement de faible luminosité. Pour résoudre ce problème, un réseau neuronal profond guidé par la physique (Physics-guided Deep Neural Network, PDNN) dédié à la modélisation du bruit du TDI CCD est proposé. Ce réseau apprend le bruit indépendant du signal à partir d'images de champ obscur, qu'il superpose ensuite au bruit dépendant du signal modélisé par une distribution de Poisson pour obtenir un bruit synthétique, permettant ainsi de représenter précisément la distribution du bruit du TDI CCD en condition de faible luminosité. Premièrement, le réseau découple les images de champ obscur en bruit spatialement indépendant des pixels via un module de découplage du bruit TDI CCD (TDI CCD Noise Decoupling, TND). Ensuite, le module adaptatif multiphase et de gain (Gain and Multi-stage Adaptive, GMA) et le module convolution 1×1 du réseau principal de modélisation du bruit du TDI CCD (TDI CCD Noise Modeling, TNM) projettent le bruit initial dans un espace de distribution proche du niveau de bruit réel tout en conservant l'indépendance du bruit des pixels. Enfin, une perte équilibrée de tâche (Task Balanced Loss, TBL) contraint le réseau en ajustant dynamiquement les facteurs de pondération pour maintenir un équilibre relatif durant l'entraînement, optimisant davantage la performance du réseau. Les résultats expérimentaux montrent que la divergence moyenne de Kullback-Leibler (Average Kullback-Leibler Divergence, AKLD) de la méthode proposée sur un jeu de données propriétaire atteint 0,1069, démontrant un avantage significatif par rapport aux méthodes existantes, tandis que les indices PSNR et SSIM obtenus par l'entraînement sur des images à bruit synthétique sont proches des données réelles. PDNN peut décrire avec précision la distribution du bruit du TDI CCD en conditions de faible luminosité, ce qui a une valeur pratique pour améliorer la qualité visuelle des images de télédétection en faible luminosité.

TDI CCD; guidage physique; réseau neuronal; découplage du bruit; perte équilibrée de tâche