Self-Supervised Noise2Noise-Enhanced Denoising for Continuous-Scan Air-Plasma THz Spectroscopy

📄 arXiv: 2608.16454v1 📥 PDF

作者: Adam Umra, Oways Alsoloh, Oliver Nagy, Aydin Sezgin, Clara Saraceno

分类: eess.SP, cs.LG

发布日期: 2026-08-17

备注: 5 pages, 4 figures, accepted for presentation at WSA 2026

💡 一句话要点

提出自监督Noise2Noise增强去噪方法以解决THz光谱噪声问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 太赫兹光谱 去噪技术 自监督学习 Noise2Noise 时域光谱 信号处理 深度学习

📋 核心要点

  1. 现有的THz-TDS方法在信号噪声比上存在挑战，通常需要多个扫描轨迹的平均来提高信噪比，导致测量时间延长。
  2. 本文提出了一种基于自监督学习的去噪方法，结合参考监督和Noise2Noise策略，从单个扫描轨迹中恢复高质量波形。
  3. 实验结果表明，Noise2Noise模型在去噪性能上达到4.9倍的轨迹减少因子，优于传统的Wiener滤波和参考监督基线。

📝 摘要（中文）

基于空气等离子体生成和均衡空气偏置相干检测的太赫兹时域光谱（THz-TDS）提供了无间隙的宽带覆盖，但单个连续扫描轨迹受到脉冲间波动和电子噪声的强烈影响。为了达到有用的信噪比，通常需要平均多个轨迹，这直接增加了测量时间。本文提出了一种学习去噪方法，从单个完整的连续延迟扫描中恢复高质量的THz波形。通过参考监督基线和Noise2Noise方法的结合，模型在去噪性能上显著提升，达到约5.4倍的轨迹减少因子，表明自监督学习可以支持更快的连续扫描THz-TDS。

🔬 方法详解

问题定义：本文旨在解决太赫兹时域光谱（THz-TDS）中，由于脉冲间波动和电子噪声导致的信号质量下降问题。现有方法依赖于多个扫描轨迹的平均，增加了测量时间和复杂性。

核心思路：提出了一种自监督学习的去噪方法，利用单个完整的连续延迟扫描轨迹，通过训练模型从噪声中恢复高质量的THz波形。结合参考监督和Noise2Noise策略，提升了去噪效果。

技术框架：整体架构包括一个紧凑的一维残差U-Net，采用两种策略进行训练：参考监督基线将噪声轨迹映射到长平均参考波形，以及Noise2Noise方法从独立获取的噪声轨迹对中学习。

关键创新：最重要的创新在于通过自监督学习实现了从重复噪声测量中提取信息，显著减少了对干净训练目标的依赖，提升了去噪性能。

关键设计：模型采用了一维残差U-Net结构，损失函数设计为结合两种训练策略的加权损失，参数设置经过优化以确保模型在去噪时的稳定性和准确性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，Noise2Noise模型在去噪性能上达到4.9倍的轨迹减少因子，相比于参考监督基线的4.6倍和传统Wiener滤波的3.2倍，表现出显著的提升。这表明自监督学习在THz-TDS中的有效性。

🎯 应用场景

该研究在太赫兹光谱领域具有重要应用潜力，能够显著提高THz-TDS的测量效率，减少测量时间，适用于材料科学、生物医学成像等多个领域。未来，该方法可能推动更快速的THz成像技术的发展，促进相关应用的广泛落地。

📄 摘要（原文）

Terahertz time-domain spectroscopy (THz-TDS) based on air-plasma generation and balanced air-biased coherent detection offers gap-free broadband coverage, but individual continuous-scan traces are strongly affected by pulse-to-pulse fluctuations and electronic noise. Reaching a useful signal-to-noise ratio therefore requires averaging multiple traces, which directly increases measurement time. We propose a learned denoising approach that recovers high-quality THz waveforms from as few as one complete continuous delay sweep, referred to here as a single-scan trace. A compact one-dimensional residual U-Net is trained using two complementary strategies: a reference-supervised baseline that maps individual noisy traces to long-average reference waveforms, and a Noise2Noise approach that learns from pairs of independently acquired noisy traces without requiring a clean training target. Averaging the predictions of both models reduces systematic bias and yields a trace-reduction factor of approximately $5.4\times$ at $K=1$, meaning that one denoised trace achieves the reconstruction accuracy of averaging approximately five raw traces. The Noise2Noise model alone achieves $4.9\times$, outperforming both the reference-supervised baseline ($4.6\times$) and classical Wiener filtering ($3.2\times$). These results show that self-supervised learning from repeated noisy measurements can support faster continuous-scan THz-TDS without hardware modification.