近日，实验室2024级博士生刘铭浩的一篇论文 “Dual-branch Single-Image Self-Supervised Denoising Network Based on Laplacian Non-Local Self-Similarity Sampling”(作者：刘铭浩，张化祥，刘一锟，李志浩，杨公平)被IEEE Transactions on Geoscience and Remote Sensing (TGRS) 录用。TGRS是遥感领域的顶级期刊，也是人工智能与计算机视觉领域的权威期刊，CCF B类，中科院一区TOP期刊，影响因子(IF)为8.6。

光学遥感图像已广泛应用于诸多领域，高质量图像对下游任务通常起到至关重要的作用。近年来，基于深度学习的自监督图像去噪方法取得了长足进展。但现有自监督方案中的采样策略易受到强噪声信号干扰，同时网络结构大多侧重像素级图像重建，忽视了整体地理空间特征的表征能力。针对上述问题，本文面向强噪声图像，提出一种基于拉普拉斯非局部自相似采样的双分支单图像自监督去噪网络。该网络利用拉普拉斯算子对噪声的敏感特性与图像固有的非局部自相似性，设计非局部采样策略，仅依靠单张强噪声图像即可生成大量伪样本。此外，本文搭建双分支边缘增强卷积神经网络作为去噪模型，模型包含像素级局部特征分支与边缘引导全局特征分支两大模块：像素级局部特征分支通过提取邻域像素局部特征实现逐像素图像重建；边缘引导全局特征分支依托索贝尔算子做边缘增强处理，引导网络从噪声图像中提取全局地理空间特征。该网络能够约束图像重建过程中的边缘平滑伪影，全程保障图像整体特征的一致性。

本方法无需对噪声分布做出精确先验假设，也不需要干净真值图像参与训练，可适配多种噪声类型与不同噪声强度。针对多类噪声、不同噪声强度开展大量对照实验，并结合下游分类任务进行验证，结果表明：所提方法在高强度高斯噪声、混合噪声场景下优势尤为突出；同时在低噪声、纯泊松噪声以及真实噪声环境中，也具备不俗的对比性能。