基于主成分分析的太赫兹自监督去噪与去模糊深度神经网络
计算机视觉与模式识别
2026-02-25 v2
摘要
太赫兹 (THz) 系统本质上会引入频率相关的退化效应，导致幅值图像中低频模糊和高频噪声。传统图像处理技术无法同时解决这两个问题，由于去噪与去模糊边界未知，常需人工干预。为解决这一挑战，我们提出了一种基于主成分分析 (PCA) 的太赫兹自监督去噪与去模糊网络 (THz-SSDD)。该网络采用受损-受损自监督学习策略，通过重复损坏下的不变性来捕捉噪声的内在特征。随后应用 PCA 分解与重构，在低频和高频之间恢复图像。在四种样本类型的评估表明，THz-SSDD 网络只需少量无标签噪声图像即可完成训练，测试在不同材料属性和测量模式的样本上显示有效去噪与去模糊。定量分析进一步验证了网络的可行性，显示在保留原始信号物理特性的同时显著提升了图像质量。
引用
@article{arxiv.2601.12149,
title = {Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks},
author = {Pengfei Zhu and Stefano Sfarra and Hai Zhang and Carlo Santulli and Elana Pivarciova and Fabrizio Sarasini and Xavier Maldague},
journal= {arXiv preprint arXiv:2601.12149},
year = {2026}
}