OPCD-Net：一种基于光学信息的偏振图像协同去噪网络，该网络通过噪声引导和偏振参数的空间相关性来实现去噪功能

《Optics and Lasers in Engineering》：OPCD-Net: Optics-informed polarimetric image collaborative denoising network via noise-guided and spatial correlation of polarimetric parameters

　　永昭杜|泽毅黄|志伟何|和海森|和浩南|陶行宇|潘书婉|邓国亮|周浩|傅玉清 华侨大学工程学院，泉州，362021，中国 摘要 为了解决现有去噪方法因多种偏振噪声和异质空间分布而导致的局限性，本文提出了一种基于光学信息的偏振协作去噪网络（OPCD-Net），该网络将噪声引导与偏振参数的固有空间相关性相结合。该框架分为两个阶段：在第一阶段，噪声引导的双注意力模块（NDAM）动态加权跨通道和空间注意力，从而能够自适应地关注富含偏振的特征；随后是偏振感知的多尺度协作模块（PAMCM），该模块利用U-Net和膨胀卷积金字塔路径重建精细边缘，并捕捉不同偏振角度下的结构一致性，从而强化它们之间的固有物理关系。在第二阶段，构建了一个专门用于偏振参数优化的多分支路径。增强型自适应偏振小波残差密集块（APWRDB）通过动态卷积加强了局部特征建模，而重用的NDAM执行噪声感知的特征校准，以处理噪声对参数恢复的不同影响；最后，噪声感知的偏振特征融合网络（NAPFN）执行多参数协作优化，在抑制异质噪声的同时显著提高了数值精度和细节保真度。实验结果表明，所提出的OPCD-Net在多个指标上均优于现有算法，并且在未知噪声分布下保持了稳健的去噪性能。 引言 偏振作为光波的重要物理属性，可以反映物体的形状、表面粗糙度和材料特性，因此偏振成像已广泛应用于生物成像[1]、目标检测[2]、工业视觉[3]、水下图像恢复[4][5]和视觉导航[6]等领域。然而，在光子受限的环境中，偏振成像系统中的信号极易受到噪声干扰；特别是，由斯托克斯矢量计算得出的偏振度（DoP）和偏振角（AoP）对噪声的敏感性更强，因为噪声通过非线性运算符被放大[7]，同时不同偏振参数也表现出不同的噪声敏感性和物理特性[8][9]。此外，不同材料表面对应激光的调制差异以及传感器的非均匀响应导致反射光强度的空间不均匀性，进一步导致图像平面上的噪声分布不均匀且非平稳，这严重降低了图像质量和后续分析任务的性能[10]。因此，设计能够在抑制噪声的同时保留偏振物理信息完整性的图像去噪技术是提高偏振成像在各个领域实际应用性能的核心前提和关键环节[11]。 在以往的研究中，研究人员提出了多种经典的偏振图像去噪方法，包括主成分分析（PCA）[12]、K-奇异值分解（K-SVD）[13]和块匹配与3D协作滤波（BM3D）[14]。这些传统方法通常基于加性高斯噪声模型，难以在具有多种噪声类型的偏振图像上保持稳定的去噪性能，这些噪声类型并不遵循特定的噪声分布规律[15][16]。 近年来，深度学习方法在图像去噪方面取得了突破性进展，得益于其数据驱动的优势[17][18]。然而，早期深度学习方法应用于偏振图像去噪时往往由于未能充分考虑偏振参数之间的固有物理相关性而产生次优结果[19]。为了解决这一问题，2020年，李等人[20]首次提出了偏振去噪残差密集网络（PDRDN），将斯托克斯偏振成像物理模型嵌入网络中，取得了比传统方法更好的性能。然而，当时大多数网络未能考虑到复杂噪声环境下不同通道的适应性[21][22]。因此，2022年，刘等人[23]探索了通道注意力机制的内部工作原理[24]，并提出了基于通道注意力的残差密集网络（CARDN），设计了一种自适应偏振损失函数，其整体性能优于现有方法。然而，现有的深度学习方法仍然需要大规模的配对数据集进行训练以学习映射特征，而偏振图像的噪声-真实值数据对的获取成本仍然很高[25]。2023年，刘等人[26]提出了一种基于自监督的偏振图像去噪方法（Pol2Pol），该方法仅使用每个场景的单张含噪图像就能合成训练对。2025年，刘等人[27]提出了一种基于立方体匹配的卷积神经网络，有效利用了非局部特征、局部相关性以及偏振通道之间的连接，在处理非分布式噪声时保持了强大的泛化能力。同年，孟等人[28]提出了一种基于残差估计和加权核范数最小化的红外偏振图像去噪方法，获得了无噪声的斯托克斯图像，并展示了更优越的去噪性能。 然而，偏振图像的获取过程引入了多种复杂的噪声，这些噪声并不遵循特定的分布规律[29]，这使得建立统一的理论噪声模型变得困难。同时，现有方法通常独立地对四个偏振角度（I0°、I45°、I90°、I135°）的图像进行去噪，这种逐步策略忽略了基于斯托克斯矢量理论的物理相关性以及不同偏振物理量之间的噪声分布差异，使得通过单分支处理难以协调多个参数之间的物理联系和噪声异质性[30]。此外，现有方法通常依赖于通道注意力（CA）机制，而没有充分考虑噪声在空间维度、偏振角度和偏振参数之间的异质分布，也无法有效利用不同偏振图像之间的固有空间结构互补性[31]。因此，需要一种新的去噪架构来联合建模偏振参数之间的物理相关性以及跨通道-空间维度的噪声特性，从而实现自适应处理和有针对性的抑制图像噪声的多样性和空间分布异质性，进一步实现更准确和一致的物理重建。 基于对偏振图像噪声特性的分析以及上述研究见解，本文提出了一种基于光学信息的偏振图像协作去噪网络（OPCD-Net），通过噪声引导和偏振参数的空间相关性来实现这一目标。所提出的模型采用两阶段去噪框架，在未知噪声分布下显著提升了去噪性能，同时保持了良好的模型可解释性。这验证了噪声引导策略和多分支偏振参数建模在处理噪声多样性、强化不同偏振参数之间的物理联系以及抑制噪声分布空间异质性方面的有效性。 本文的主要贡献总结如下： • 为了解决偏振图像的噪声多样性和空间分布异质性问题，我们提出了一种……