時間遅延積分CCD（Time Delay Integration CCD、TDI CCD）はリモートセンシング画像分野で広く利用されています。ダーク電流、リセットノイズ、量子化ノイズなど複雑なノイズ源が存在するため、既存の方法では微光環境下の実際のセンサーにおける信号非依存性ノイズ分布の特徴づけが困難です。これらの問題に対して、暗視野画像から信号非依存性ノイズを学習し、ポアソン分布に基づく信号依存性ノイズと合成することで合成ノイズを得て、微光条件下におけるTDI CCDのノイズ分布を正確に特徴づける物理誘導型深層ニューラルネットワーク（Physics-guided Deep Neural Network、PDNN）を提案します。まず、本ネットワークはTDI CCDノイズデカップリング（TDI CCD Noise Decoupling、TND）モジュールにより暗視野画像を空間的に独立なピクセルノイズに分離します。次に、TDI CCDノイズモデリング（TDI CCD Noise Modeling、TNM）バックボーンネットワークのゲイン多段適応（Gain and Multi-stage Adaptive、GMA）モジュールと1×1畳み込みモジュールが初期ノイズを実際のノイズレベルに近い分布空間へマッピングし、ピクセルノイズの独立性を維持します。最後にタスクバランス損失（Task Balanced Loss、TBL）でネットワークを制約し、重み係数を動的に調整して訓練過程の相対的バランスを維持し、ネットワーク性能をさらに最適化します。実験結果は、自作データセットで本手法の平均KLダイバージェンス（Average Kullback-Leibler Divergence、AKLD）が0.1069に達し、既存手法に対して顕著な優位性を示し、合成ノイズ画像で訓練したPSNRおよびSSIM指標は実データレベルに近いことを示しています。PDNNは微光条件下でのTDI CCDのノイズ分布を正確に記述でき、微光リモートセンシング画像の視覚品質向上に実用的価値があります。

TDI CCD;物理誘導;ニューラルネットワーク;ノイズデカップリング;タスクバランス損失