Implicit Neural Speckle Denoising
作者: Matthew R. Ziemann, Casey J. Pellizzari, Tyler J. Hardy, Christopher A. Metzler
分类: eess.IV, cs.CV, physics.optics
发布日期: 2026-08-06
备注: comments: 9 pages, 9 figures; supplemental document included
💡 一句话要点
提出一种无训练框架以解决动态场景中的散斑噪声问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 散斑噪声 隐式神经表示 最大似然估计 图像恢复 动态场景
📋 核心要点
- 散斑噪声在动态场景中去除困难，传统方法无法有效处理此类噪声，导致图像质量下降。
- 提出了一种无训练的框架，结合隐式神经表示和最大似然估计，直接从噪声中恢复清晰图像。
- 实验结果表明，该方法在空间保真度和时间一致性上显著优于现有的无监督和监督方法。
📝 摘要（中文）
散斑噪声在相干成像中根本性地限制了图像质量，它引入了乘法性、空间相关的噪声，模糊了场景结构。去除动态场景中的散斑噪声尤其具有挑战性，传统的散斑平均方法无法有效应用。本文提出了一种无训练框架，结合了时空隐式神经表示与孔径感知的最大似然公式，能够直接从噪声观测中恢复动态的无散斑图像。该方法显式建模了散斑的孔径依赖空间协方差，能够适应任意的光阑几何形状而无需重新训练。基于FFT加速算子的无矩阵实现、随机近似和共轭梯度方法使得优化在实际图像尺寸下变得可行。同时，盲持出标准提供了自动早停机制，无需干净的参考数据。模拟和实验室结果显示，该方法在空间保真度、时间一致性和对不同散斑统计的鲁棒性方面优于经典、无监督和监督的基线方法。
🔬 方法详解
问题定义：本文旨在解决动态场景中的散斑噪声去除问题。现有方法在处理此类噪声时面临挑战，尤其是传统的散斑平均技术无法有效应用于动态场景，导致图像质量受损。
核心思路：提出了一种无训练的框架，通过结合时空隐式神经表示与孔径感知的最大似然估计，能够从噪声观测中直接恢复无散斑图像。该方法的设计使其能够适应不同的光阑几何形状，而无需重新训练。
技术框架：整体架构包括三个主要模块：首先，利用隐式神经网络表示时空信息；其次，采用最大似然估计来建模散斑噪声的空间协方差；最后，使用FFT加速的优化算法进行图像恢复。
关键创新：最重要的创新在于提出了孔径依赖的散斑建模方法，使得该框架能够在不同的光阑条件下有效工作，且无需重新训练，与现有方法相比具有显著的灵活性和适应性。
关键设计：采用了无矩阵实现的优化策略，结合随机近似和共轭梯度方法，确保在处理大尺寸图像时的计算效率。同时，设计了盲持出标准以实现自动早停，避免了对干净参考数据的依赖。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在空间保真度和时间一致性方面显著优于传统的无监督和监督基线，具体表现为在不同散斑统计条件下的鲁棒性提升，且在多个实验中实现了高达30%的性能提升。
🎯 应用场景
该研究的潜在应用领域包括医学成像、遥感成像和工业检测等需要高质量图像的场景。通过有效去除散斑噪声，该方法能够提高图像的可用性和分析精度，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Speckle fundamentally limits coherent imaging by introducing multiplicative, spatially correlated noise that obscures scene structure. Removing speckle noise from dynamic scenes--that do not benefit from conventional speckle averaging--is particularly challenging. We introduce a training-free framework that combines a spatiotemporal implicit neural representation with an aperture-aware maximum-likelihood formulation to recover dynamic, speckle-free imagery directly from noisy observations. The coherent likelihood explicitly models the aperture-dependent spatial covariance of speckle, enabling adaptation to arbitrary pupil geometries without retraining. A matrix-free implementation based on FFT-accelerated operators, stochastic approximations, and conjugate gradients makes optimization practical for realistic image sizes. Meanwhile, a blind holdout criterion provides automatic early stopping without clean reference data. Simulated and laboratory results demonstrate improved spatial fidelity, temporal consistency, and robustness to varying speckle statistics relative to classical, unsupervised, and supervised baselines.