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用いられています。暗電流、リセットノイズ、量子化ノイズなどの複雑なノイズ源が存在するため、既存の手法では低照度環境下の実センサーにおける信号に依存しないノイズ分布を正確に表現することが困難です。この問題に対し、物理に基づく深層ニューラルネットワーク（Physics-guided Deep Neural Network、PDNN）を提案しました。本ネットワークは暗視野画像から信号非依存ノイズを学習し、ポアソン分布に基づく信号依存ノイズと重ね合わせて合成ノイズを生成することで、低照度条件下のTDI CCDのノイズ分布を正確に表現します。まず、ネットワークはTDI CCDノイズデカップリング（TDI CCD Noise Decoupling、TND）モジュールを使用して暗視野画像を空間的に独立した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）メインネットワーク内のゲイン多段適応（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にマッピングし、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）を用いてネットワークを制約し、学習過程で重み係数を動的に調整して相対的なバランスを維持しつつネットワーク性能を最適化します。実験結果は、独自に構築したデータセットにおいて提案手法の平均カルバック・ライブラー距離（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、合成ノイズ画像による学習で得られた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は低照度条件下におけるTDI CCDのノイズ分布を正確に記述でき、低照度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; 物理ガイド; 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