Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks

Deze paper introduceert een op PCA gebaseerd zelftoezichtend diep neuraal netwerk (THz-SSDD) dat effectief zowel ruis als vervaging in terahertz-beelden corrigeert zonder de noodzaak van gelabelde trainingsdata of handmatige ingrepen.

De kern

Stel je voor dat je door een zeer mistig raam kijkt naar een schilderij. Het raam is niet alleen beslagen (wat het beeld wazig maakt), maar er zitten ook vlekken en krassen op (ruis). Als je nu probeert het schilderij te bekijken, zie je de details niet goed. Dit is precies wat er gebeurt met Terahertz-technologie. Deze technologie wordt gebruikt om materialen te "zien" zonder ze aan te raken (bijvoorbeeld om scheuren in vliegtuigvleugels te vinden), maar de beelden die het maakt zijn vaak erg wazig en ruisend.

De auteurs van dit artikel hebben een slimme oplossing bedacht, een soort "digitale schoonmaakrobot" genaamd THz-SSDD. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Twee vijanden in één

Normaal gesproken hebben beeldverwerkingstechnieken moeite om twee problemen tegelijk op te lossen:

• De wazigheid (Blurring): Alsof je door een vervormd raam kijkt. De randen van objecten zijn niet scherp.
• De ruis (Noise): Alsof er statische ruis op een oude TV zit. Het beeld zit vol met korreltjes en vlekken.

Oude methoden moesten kiezen: of je maakte het beeld scherper (maar dan werd de ruis erger), of je maakte het rustiger (maar dan werd het beeld nog waziger). Mensen moesten vaak handmatig ingrijpen om te beslissen wat er moest gebeuren, wat lastig en onnauwkeurig is.

2. De Oplossing: De "Scheur en Herhaal"-truc

De wetenschappers hebben een nieuw systeem bedacht dat dit twee-in-één probleem oplost zonder dat ze duizenden perfecte voorbeelden nodig hebben.

Stel je voor dat je een schilderij hebt dat vies is. In plaats van een meesterkunstenaar te vragen om het te restaureren (wat veel tijd en perfecte voorbeelden kost), gebruiken ze een slimme truc:

• Ze nemen het vieze schilderij en maken er twee versies van, waarbij ze op beide versies net iets meer vuil doen, maar op een andere manier.
• Ze laten een computer (een AI) kijken naar deze twee versies. De AI leert: "Oké, dit stukje hier is in beide versies hetzelfde, dus dat is het echte schilderij. Dit stukje hier is anders, dus dat is het extra vuil."
• Door dit proces te herhalen (Recorrupted-to-Recorrupted), leert de AI vanzelf wat "echt" is en wat "ruis" is, zonder dat iemand het haar heeft verteld.

3. De Magische Stap: Het "Scheiden van de Soep" (PCA)

Terahertz-beelden zijn heel complex, alsof je een grote pot soep probeert te analyseren waarin alles door elkaar zit. Als je de hele pot tegelijk probeert schoon te maken, gaat het mis.

De oplossing is PCA (Primaire Component Analyse).

• De Analogie: Stel je voor dat je een grote, rommelige lade met kleren hebt. Je wilt de lade opruimen. In plaats van alles door elkaar te halen, sorteer je de kleren eerst in stapels: "Alle sokken hier", "Alle overhemden daar", "Alle broeken daar".
• In hun systeem wordt het beeld opgesplitst in verschillende "stapels" (de belangrijkste onderdelen). Ze kiezen de vijf belangrijkste stapels (deze bevatten het meeste nuttige beeld) en laten de rest links liggen.
• Vervolgens wordt de "schoonmaakrobot" (de AI) op deze vijf stapels losgelaten. Omdat ze nu niet meer hoeven te werken met de hele rommelige lade, maar met geordende stapels, kunnen ze de ruis en de wazigheid veel beter verwijderen.
• Aan het einde worden de vijf schone stapels weer samengevoegd tot één perfect beeld.

4. Wat hebben ze getest?

Ze hebben hun nieuwe robot getest op verschillende materialen, net zoals een dokter die een nieuwe behandeling test op verschillende patiënten:

• Glasvezelplaten: Om te leren hoe het werkt.
• Verbrand hout: Om te zien of het houtstructuren kan zien die door hitte zijn veranderd.
• Kunststof (HDPE): Om te zien of ze scheuren in plastic kunnen vinden.
• Composietmaterialen: Dikke lagen van verschillende vezels die zijn geraakt door een klap (zoals bij een ongeluk).

Het resultaat? De robot werkte op alle materialen goed, zelfs op die waarvoor hij niet specifiek was getraind. Hij kon de wazigheid weghalen en de ruis verwijderen, terwijl hij de echte details van het materiaal behield.

Conclusie

Kortom, deze wetenschappers hebben een slimme, zelflerende computer bedacht die Terahertz-beelden kan "schoonmaken" alsof je een vieze foto in Photoshop bewerkt, maar dan automatisch en zonder dat je zelf hoeft te wissen of te schaven. Ze gebruiken een slimme sorteermethode (PCA) om de rommel te ordenen en een AI die leert door zelf fouten te maken en te corrigeren. Hierdoor kunnen ingenieurs en onderzoekers nu veel duidelijker zien wat er binnenin materialen gebeurt, wat essentieel is voor veiligheidscontroles in de industrie.

Technische samenvatting

Probleemstelling

Terahertz (THz) beeldvormingssystemen lijden inherent aan frequentie-afhankelijke degradatie-effecten die de kwaliteit van de amplitudebeelden beïnvloeden. Dit resulteert in twee specifieke problemen die vaak gelijktijdig optreden:

1. Laagfrequente vervaging (blurring): Verlies van ruimtelijke informatie door de vorm van de THz-straal en systeemafhankelijke factoren.
2. Hoogfrequente ruis (noise): Systematische ruis (zoals antenne-geïnduceerde ruis) en signaalafhankelijke Poisson-ruis die de signaal-ruisverhouding (SNR) verlagen.

Conventionele beeldverwerkingstechnieken kunnen deze twee problemen niet gelijktijdig aanpakken, omdat denoising (ruisreductie) en deblurring (scherpstelling) vaak tegenstrijdige strategieën vereisen. Bovendien is de grens tussen gebieden die ruisreductie nodig hebben en gebieden die scherpte nodig hebben vaak onbekend, wat leidt tot noodzaak voor handmatige interventie. Bestaande deep learning-methoden zijn vaak afhankelijk van gelabelde trainingsdata (supervised learning), wat beperkend is in de THz-domein waar "ground truth" (ruisvrije data) zelden beschikbaar is.

Methodologie

De auteurs stellen een nieuwe architectuur voor: de PCA-gebaseerde THz Self-Supervised Denoising and Deblurring Deep Neural Network (THz-SSDD). De aanpak combineert Principal Component Analysis (PCA) met een zelftoezicht (self-supervised) leerstrategie.

1. Zelftoezicht Leerstrategie (Recorrupted-to-Recorrupted - R2R):
In plaats van gebruik te maken van gelabelde paren (ruisvrij vs. ruisig), wordt het netwerk getraind op ongelabelde ruisbeelden. De R2R-strategie genereert gepaarde beelden door het originele ruisbeeld twee keer te corrumperen met verschillende ruispatronen. Het doel is om het netwerk te leren de onderliggende intrinsieke kenmerken van de ruis te identificeren door invariantie onder herhaalde corruptie te benutten.

2. Netwerkarchitectuur:
Het model bestaat uit twee U-Net netwerken:

• Eén netwerk voor denoising (ruisreductie).
• Eén netwerk voor deconvolutie (ontvaging/deblurring).
  De loss-functie combineert pixel-voor-pixel zelftoezicht, een term die de output afstemt op het punt-spreidingsfunctie (PSF) model van het systeem, en een regularisatieterm om kunstmatige hoogfrequente artefacten te onderdrukken.

3. PCA-gebaseerde Restauratie:
Omdat een enkel algoritme moeite heeft met zowel laag- als hoogfrequente degradaties, wordt een PCA-stap geïntegreerd:

• De THz-spectrale data wordt omgezet in een matrix en onderworpen aan PCA-decompositie.
• De eerste vijf hoofdcomponenten (Principal Components - PCs) worden geselecteerd, omdat deze het grootste deel van de variantie (informatie) bevatten.
• Deze geselecteerde PCs worden individueel verwerkt door het THz-SSDD-netwerk.
• De verwerkte componenten worden vervolgens gereconstrueerd tot het uiteindelijke 3D-spectrale beeld.

4. PSF-Generatie:
Het punt-spreidingsfunctie (PSF) wordt theoretisch gemodelleerd als een genormaliseerde tweedimensionale Gaussische kernel, gebaseerd op een diffractie-gelimiteerd Gaussisch straalmodel, afhankelijk van de golflengte en de optische opstelling.

Belangrijkste Bijdragen

• Eerste simultane aanpak: Dit is, voor zover bekend, de eerste poging in THz-tijdsdomeinspectroscopie (THz-TDS) om ruis (hoogfrequente) en vervaging (laagfrequente) gelijktijdig op te lossen met één enkel algoritme/netwerk.
• Zelftoezicht zonder labels: Het systeem vereist geen gelabelde trainingsdata. Het wordt getraind op een kleine set ongelabelde ruisbeelden (van een GFRP-calibratieplaat) en is daarna toepasbaar op andere materialen.
• Generaliseerbaarheid: De methode is getest op diverse materialen met verschillende optische eigenschappen en meetconfiguraties (reflectie vs. transmissie), wat de robuustheid van de aanpak aantoont.
• Behoud van fysische eigenschappen: Door de combinatie van R2R en PCA wordt de oorspronkelijke fysische signaalkarakteristiek behouden, wat cruciaal is voor niet-destructieve testen (NDT).

Resultaten

De prestaties van het THz-SSDD-netwerk werden geëvalueerd op vier types monsters:

1. GFRP-plaat (Trainingsdata): Duidelijke verbetering in beeldkwaliteit; ruis werd onderdrukt en defectgrenzen werden scherper.
2. Gebrand hout (Pyrolyse): Effectieve restauratie van beelden met verschillende thermische modificaties.
3. HDPE (Polyethyleen) na trekbelasting: Herstel van details in plastic vervorming en "necking" (insnoering).
4. Hybride composieten (Basalt/Flax): Herkenning van impact-schade onder verschillende energieniveaus (5, 10, 30 J), zelfs in complexe texturen waar vezelpatronen de schade vaak maskeren.

Kwantitatieve analyse:

• PSNR (Peak Signal-to-Noise Ratio): Toonde een significante stijging in beeldkwaliteit na verwerking.
• RSE (Relative Spectral Error): Een nieuwe metric die de afwijking tussen het originele en verwerkte signaal meet. De resultaten lieten zien dat de signalen grotendeels behouden bleven (lage RSE), hoewel er bij zeer complexe composieten (30J impact) enige signaalverandering optreedt.

Significantie

Deze studie biedt een krachtige oplossing voor een langdurig probleem in de THz-beeldverwerking. Door de afhankelijkheid van gelabelde data te elimineren en twee fundamenteel verschillende degradaties (ruis en vervaging) in één stap op te lossen, maakt de THz-SSDD methode THz-TDS praktischer en robuuster voor industriële toepassingen. Het stelt onderzoekers en ingenieurs in staat om defecten in complexe materialen (zoals composieten en hout) nauwkeuriger te detecteren zonder handmatige aanpassingen, wat de weg vrijmaakt voor bredere toepassing in niet-destructieve testen (NDT) en kwaliteitscontrole.