시간 지연 적분 CCD(Time Delay Integration CCD, TDI CCD)는 원격 감지 영상 분야에서 널리 사용됩니다. 다크 전류, 리셋 노이즈 및 양자화 노이즈와 같은 복잡한 노이즈 원인이 존재하기 때문에 기존 방법은 저조도 환경에서 실제 센서의 신호와 무관한 노이즈 분포를 정확히 표현하기 어렵습니다. 이 문제를 해결하기 위해 신호와 무관한 노이즈를 암전 이미지에서 학습하고 포아송 분포를 기반으로 한 신호 관련 노이즈와 합성하여 합성 노이즈를 얻어 저조도 조건에서 TDI CCD의 노이즈 분포를 정확하게 표현하는 물리 기반 심층 신경망(Physics-guided Deep Neural Network, PDNN)을 제안합니다. 먼저, 본 네트워크는 TDI CCD 노이즈 분리(TDI CCD Noise Decoupling, TND) 모듈을 통해 암전 이미지를 공간 독립적인 픽셀 노이즈로 분리합니다. 이후 TDI CCD 노이즈 모델링(TDI CCD Noise Modeling, TNM)의 주망에서 게인 다단계 적응(Gain and Multi-stage Adaptive, GMA) 모듈과 1×1 컨볼루션 모듈이 초기 노이즈를 실제 노이즈 수준에 가까운 분포 공간으로 매핑하며 픽셀 노이즈의 독립성을 유지합니다. 마지막으로 작업 균형 손실(Task Balanced Loss, TBL)을 사용하여 네트워크를 제약하며, 동적으로 가중치 인자를 조절하여 학습 과정의 상대적 균형을 유지하고 네트워크 성능을 최적화합니다. 실험 결과, 자체 구축 데이터셋에서 제안된 방법의 평균 Kullback-Leibler 발산(Average Kullback-Leibler Divergence, AKLD)은 0.1069에 도달하였으며, 기존 방법 대비 유의미한 우위를 보였고, 합성 노이즈 이미지로 학습한 PSNR 및 SSIM 지표가 실제 데이터 수준에 근접함을 확인하였습니다. PDNN은 저조도 조건에서 TDI CCD의 노이즈 분포를 정확히 묘사할 수 있어 저조도 원격 감지 영상의 시각 품질 향상에 실용적 가치를 가집니다.

TDI CCD;물리 기반;신경망;노이즈 분리;작업 균형 손실