El CCD de integración por retardo temporal (Time Delay Integration CCD, TDI CCD) se utiliza ampliamente en el campo de la teledetección. Debido a la presencia de fuentes de ruido complejas como corriente oscura, ruido de reinicio y ruido de cuantificación, los métodos existentes tienen dificultades para caracterizar la distribución del ruido independiente de la señal en sensores reales bajo condiciones de baja luminosidad. Para abordar este problema, se propone una red neuronal profunda guiada por la física (Physics-guided Deep Neural Network, PDNN) para la modelación del ruido del TDI CCD. Esta red aprende el ruido independiente de la señal a partir de imágenes de campo oscuro y lo superpone con el ruido dependiente de la señal modelado basado en una distribución de Poisson para obtener ruido sintético, lo que permite representar con precisión la distribución del ruido del TDI CCD en condiciones de poca luz. Primero, la red desacopla la imagen de campo oscuro en ruido de píxel espacialmente independiente mediante un módulo de desacoplamiento de ruido TDI CCD (TDI CCD Noise Decoupling, TND). Luego, el módulo de ganancia y adaptativo multi-etapas (Gain and Multi-stage Adaptive, GMA) y el módulo de convolución 1×1 en la red principal de modelación de ruido TDI CCD (TDI CCD Noise Modeling, TNM) mapean el ruido inicial al espacio de distribución cercano al nivel real de ruido, manteniendo la independencia del ruido de los píxeles. Finalmente, se usa una pérdida balanceada por tarea (Task Balanced Loss, TBL) para restringir la red ajustando dinámicamente los factores de peso para mantener un equilibrio relativo durante el entrenamiento, optimizando aún más el rendimiento de la red. Los resultados experimentales muestran que la media de la divergencia de Kullback-Leibler (Average Kullback-Leibler Divergence, AKLD) del método propuesto en un conjunto de datos propio alcanza 0.1069, mostrando una ventaja significativa sobre los métodos existentes, y que los índices PSNR y SSIM obtenidos tras entrenar con imágenes de ruido sintético se acercan a los niveles de datos reales. PDNN puede describir con precisión la distribución del ruido del TDI CCD en condiciones de poca luz, lo que tiene un valor práctico para mejorar la calidad visual de las imágenes de teledetección en condiciones de poca iluminación.

TDI CCD; guiado por física; red neuronal; desacoplamiento de ruido; pérdida balanceada por tarea