시간 지연 적분 CCD(Time Delay Integration CCD, TDI CCD)는 원격 탐사 영상 분야에서 널리 사용됩니다. 암전류, 리셋 노이즈 및 양자화 노이즈와 같은 복잡한 노이즈 원인으로 인해 기존 방법들은 저조도 환경에서 실제 센서 내 신호와 무관한 노이즈 분포를 정확히 표현하기 어렵습니다. 이 문제를 해결하기 위해 물리 기반 심층 신경망(Physics-guided Deep Neural Network, PDNN)을 제안하였으며, 이 네트워크는 암영상에서 신호와 무관한 노이즈를 학습하고, 포아송 분포 기반으로 모델링된 신호 의존 노이즈와 합성하여 저조도 조건 하 TDI CCD의 노이즈 분포를 정확히 표현합니다. 먼저, 네트워크는 TDI CCD 노이즈 디커플링(TDI CCD Noise Decoupling, TND) 모듈을 통해 암영상을 공간적으로 독립적인 픽셀 노이즈로 분리합니다. 이후, TDI CCD 노이즈 모델링(TDI CCD Noise Modeling, TNM) 메인 네트워크 내의 게인 및 다단계 적응(Gain and Multi-stage Adaptive, GMA) 모듈과 1×1 합성곱 모듈이 초기 노이즈를 실제 노이즈 수준에 근접한 분포 공간으로 매핑하며 픽셀 노이즈의 독립성을 유지합니다. 마지막으로, 작업 균형 손실(Task Balanced Loss, TBL)을 사용해 네트워크를 제약하고, 학습 과정에서 가중치 인자를 동적으로 조정하여 상대적 균형을 유지하며 네트워크 성능을 더욱 최적화합니다. 실험 결과, 자체 구축 데이터셋에서 제안한 방법의 평균 Kullback-Leibler 발산(Average Kullback-Leibler Divergence, AKLD)은 0.1069에 도달하여 기존 방법 대비 유의미한 우위를 보였으며, 합성 노이즈 이미지로 학습한 PSNR 및 SSIM 지표는 실제 데이터 수준에 가깝습니다. PDNN은 저조도 조건 하 TDI CCD의 노이즈 분포를 정확히 묘사할 수 있어 저조도 원격 탐사 영상의 시각적 품질 향상에 실질적인 가치가 있습니다.

TDI CCD; 물리 기반; 신경망; 노이즈 디커플링; 작업 균형 손실