基于机器学习的惯性约束聚变图像去噪解决方案
计算机视觉与模式识别
2025-12-04 v2 人工智能
摘要
中子成像是诊断和优化国家 Ignition Facility（NIF）中惯性约束聚变爆炸的关键手段。然而，由于要求 10 微米分辨率，中子图像需使用迭代算法进行图像重建。对于低产量源，图像可能受各种噪声类型干扰。高斯噪声和泊松噪声常常共存于单张图像中，掩盖细节并模糊源信息编码的边缘。传统去噪技术（如滤波和阈值处理）可能无意中改变关键特征或重塑噪声统计特性，潜在影响最终迭代图像重建流程的保真度。然而，近期在合成数据生产和机器学习方面的进展，为解决这些挑战提供了新机遇。本研究提出了一种无监督自编码器，采用 Cohen-Daubechies-Feauveau（CDF 97）小波变换于潜空间，用于抑制混合高斯-泊松噪声，同时保留关键图像特征。该网络成功地对中子成像数据进行去噪。与模拟和实验 NIF 数据集进行基准测试表明，我们的方法在重建误差和边缘保留方面优于传统滤波方法，如基于块匹配和 3D 滤波（BM3D）。通过验证无监督学习去噪中子图像的有效性，本研究为构建面向 ICF 诊断的全 AI 驱动、端到端重建框架奠定了关键基础。
引用
@article{arxiv.2511.16717,
title = {A Machine Learning-Driven Solution for Denoising Inertial Confinement Fusion Images},
author = {Asya Y. Akkus and Bradley T. Wolfe and Pinghan Chu and Chengkun Huang and Chris S. Campbell and Mariana Alvarado Alvarez and Petr Volegov and David Fittinghoff and Robert Reinovsky and Zhehui Wang},
journal= {arXiv preprint arXiv:2511.16717},
year = {2025}
}