Debido a las dificultades de la imagen correlacionada para equilibrar la recuperación estructural y la supresión de ruido bajo ruido complejo en escenarios prácticos, este artículo propone un marco de reconstrucción de imagen correlacionada en dos etapas basado en la regularización de Tikhonov combinada con la desruido profundo. La primera etapa utiliza la regularización de Tikhonov para resolver el problema inverso de la imagen correlacionada, suprimiendo la malcondición mediante restricciones de regularización y obteniendo un resultado inicial estable que mantiene bien la información estructural; en la segunda etapa, se introduce una restricción de fidelidad de datos basada en la física de la imagen en Noise2VST, construyendo un módulo de desruido adaptativo optimizado conjuntamente. Este módulo utiliza la transformación de estabilidad de varianza para mapear el ruido residual complejo en un ruido blanco gaussiano aditivo aproximado y, bajo la supervisión autónoma y la restricción de fidelidad de datos físicas, realiza un desruido adaptativo que, al mismo tiempo que suprime el ruido residual, preserva eficazmente los detalles de la imagen y la estructura de los bordes. Los resultados experimentales muestran que el método propuesto tiene un buen rendimiento de reconstrucción bajo diferentes condiciones de muestreo. En condiciones de muestreo altas, en comparación con el método de Tikhonov, el PSNR mejora en 4.68 dB, el SSIM en 0.375; en condiciones de muestreo bajas, mantiene una buena calidad visual y un rendimiento de reconstrucción cuantitativa, demostrando la efectividad y robustez del método.

imagen correlacionada;regularización de Tikhonov;transformación de estabilidad de varianza;reconstrucción de imagen