Face à la difficulté de l'imagerie corrélative à concilier la restauration de la structure et la suppression du bruit dans des scénarios pratiques à bruit complexe, cet article propose un cadre de reconstruction d'imagerie corrélative en deux étapes basé sur la régularisation de Tikhonov combinée à la débruitage profond. La première étape utilise la régularisation de Tikhonov pour résoudre le problème inverse de l'imagerie corrélative, en supprimant la pathologie par la contrainte de régularisation et en obtenant un résultat initial stable avec une bonne préservation des informations structurelles ; la deuxième étape introduit une contrainte de fidélité des données basée sur la physique de l'imagerie dans Noise2VST, construisant un module adaptatif de débruitage optimisé conjointement. Ce module utilise la transformation de stabilisation de variance pour mapper le bruit résiduel complexe en un bruit gaussien blanc additif approximatif, et réalise un débruitage adaptatif sous la double contrainte d'auto-supervision et de fidélité aux données physiques, permettant ainsi de supprimer le bruit résiduel tout en préservant efficacement les détails de l'image et la structure des bords. Les résultats expérimentaux montrent que la méthode proposée possède de bonnes performances de reconstruction sous différentes conditions d’échantillonnage. Sous des conditions d’échantillonnage élevées, par rapport à la méthode de Tikhonov, le PSNR s’améliore de 4,68 dB, le SSIM de 0,375 ; sous des conditions d’échantillonnage faibles, une bonne qualité visuelle et une performance de reconstruction quantitative sont toujours maintenues, validant l’efficacité et la robustesse de la méthode.

imagerie corrélative;régularisation de Tikhonov;transformation de stabilisation de variance;reconstruction d'image