Research on a γ-Photon Flow-Field Image Denoising Algorithm Based on the SFGD Model

在工业工程这个复杂的领域中，监测喷气发动机内部热气流的无形电流是一项艰巨的挑战。传统的摄像机无法承受高温，而磁场又会干扰电子传感器。为了在不接触这些湍流环境的情况下观察其内部，科学家们转向了被称为伽马光子的高能粒子。这些粒子产生于放射性原子的衰变，它们拥有一种独特的能力：能够穿透金属固体和极端高温，而不被偏转或吸收。通过追踪这些粒子的运动轨迹，研究人员可以重建流场图像，揭示空气在哪里旋流、在哪里停滞，以及发动机如何“呼吸”。然而，这种方法就像是试图透过浓重的雾气观察清晰的景观。收集到的数据通常是稀疏且多噪的，导致生成的图像中，旋转气流的锐利边缘被模糊成一片朦胧的混沌，使得工程师难以理解其中蕴含的物理机制。

为了解决这个问题，南京航空航天大学的一个研究团队开发出一种全新的方法来清理这些模糊图像。他们创建了一个精密的计算机程序，旨在充当一名高水平的修复师，将颗粒感重、失真的气体流图像重建为清晰锐利的图像。他们成功的关键在于意识到，这些图像中的噪声在不同的处理阶段表现得各不相同。该系统并未对整幅图像应用单一、静态的滤波器，而是名为“结构-频率引导扩散模型”（Structure-Frequency Guided Diffusion model）的新型系统，它会根据实时情况调整策略。它学会了在保留流动的大尺度重要形状的同时，小心地强化那些通常会在静电噪声中丢失的微小细节。

研究人员首先在计算机上模拟了整个过程。他们提取了喷气发动机气体流的详细图谱，并使用虚拟探测器生成了数千张带有噪声且不完整的图像，精确模拟了真实传感器所能观测到的景象。随后，他们在这些模拟的配对数据上训练了新算法，教会它识别随机噪声与实际旋涡形状之间的区别。该系统通过两个协同工作的专门工具进行运作。第一个工具专注于宏观全局。它观察模糊的输入图像，识别出流动的轮廓与边界，确保重建的图像能够保持气体流正确的形状与位置。这防止了最终图像变成一个重要的结构已经消失、平滑且毫无特征的团块。

第二个工具则更为微妙且具有动态性。它理解图像在清理过程中噪声类型的变化。在处理过程的最开始，图像充满了混乱的静电噪声，系统知道此时应当保持温和，避免尝试去强化那些可能仅仅是噪声的细节。随着清理过程的推进，主干形状变得清晰，该工具便开始逐渐转移重心。它开始有选择性地增强高频细节，例如旋涡的锐利边缘或尾迹的精细纹理，而这些细节对于理解发动机性能至关重要。这种具有时间敏感性的调整使得系统能够在抑制噪声的同时，不会误将工程师需要观察的关键细节也一并抹平。

当团队将这种新方法与现有技术进行对比测试时，结果令人瞩目。他们将自己的方法与几种先进的图像清理算法进行了比较，包括基于标准深度学习和较旧扩散模型的算法。在每种测试案例中，新模型生成的图像都显著更加清晰且准确。在一组独立的测试图像上，该新方法在标准质量量表上的清晰度比之前的最优方法高出了近5.5个单位。从视觉上看，这意味着气体流的旋流模式得到了极高精度的保留。在其他方法留下模糊或扭曲的流体边缘之处，新模型依然能保持边界锐利且内部结构完整，高度契合原始的无噪声模拟图像。

这项研究证实，将对流动整体形状的关注与处理精细细节的智能动态策略相结合，是利用伽马光子数据获取清晰图像的关键。通过教会计算机随着图像演化过程不断调整其清理策略，研究人员为非接触式监测提供了一个强大的新工具。这一进展表明，工程师很快就能以以往无法实现的清晰度，观测高速气体流的隐藏动力学特征，从而实现更优的设计与更安全的复杂机械运行。这项工作并不声称已经解决了所有的成像问题，但它展示了我们在观察高速气体流这一无形世界方面所取得的明确且可衡量的进步。