用于剪切成像相位去噪的对比生成对抗网络（Contrastive GAN）：在包裹条纹图案上进行无监督的单图像训练

《Optics & Laser Technology》：Contrastive GAN for shearography phase denoising: Unsupervised single-image training on wrapped fringe patterns

单图对比学习驱动的轻量级相位图像去噪算法SinCUT在剪切光栅干涉测量中解决了高分辨率实时监测难题，通过构建单方向映射学习噪声与理想相位图的关系，突破传统方法依赖配对数据和模拟噪声的局限，实验证明其兼具高效性与优异去噪性能。

　　Shearography，又称为散斑剪切干涉术，是一种在工业无损检测领域广泛应用的非接触式、全场测量技术。其主要优势在于能够提供高精度的测量结果，适用于复合材料的检测、变形测量以及动态监测等场景。然而，这一技术在实际应用中面临一个关键问题：测量所得的相位条纹图常受到散斑噪声的严重干扰，这种噪声不仅降低了图像质量，也影响了动态监测的准确性。因此，如何高效地去除这些噪声，成为提升Shearography技术实用性的核心挑战。

传统方法中，常用的滤波技术包括正弦/余弦滤波、小波变换、傅里叶变换及其改进版本（如带窗口的傅里叶变换、带窗口的傅里叶脊算法、局部傅里叶变换滤波、正弦/余弦低通频域滤波以及同态滤波等）。这些方法虽然能够在一定程度上抑制噪声并保留相位信息，但它们通常存在计算成本高、参数调整复杂以及处理时间长等问题，难以满足工业领域对实时性与高效性的需求。尤其是在面对高分辨率图像时，传统方法的局限性更加明显，难以在不显著降低图像质量的前提下完成快速去噪。

近年来，深度学习技术在图像去噪领域取得了显著进展。深度神经网络（如残差网络、卷积神经网络）被广泛应用于去除图像中的噪声，例如高斯噪声和散斑噪声。其中，一些研究基于深度残差网络（DnCNN）开发了专门针对相位条纹图的去噪算法，如DHSPI，该算法在处理包裹相位图中的噪声时表现出良好的效果。此外，一些研究还提出了增强型的深度卷积神经网络（DBDNET）以及基于批量处理的卷积神经网络（FFDNet）等方法，进一步提升了去噪效率。另一项研究则引入了局部-全局通道变换（LGCT）模块，使网络能够适应不同密度的条纹图进行去噪。尽管这些方法在某些方面取得了成功，但它们通常依赖于成对的噪声图像和干净图像数据进行训练，这在实际应用中存在一定的限制。

在实际的工业检测过程中，获取与实验图像相对应的干净图像往往非常困难。一方面，实验图像中可能包含多种不可控的噪声源，如散斑图案、传感器噪声以及环境振动等，这些噪声难以通过模拟模型完全再现。另一方面，即使有干净图像，其数量和质量也可能无法满足深度学习模型对训练数据的需求。因此，一种无需成对数据的去噪方法，成为当前研究的热点。CycleGAN作为一种无监督图像风格迁移模型，被提出用于相位条纹图的去噪，它能够在不依赖成对数据的情况下实现从噪声图像到干净图像的转换。然而，CycleGAN在处理高分辨率图像时仍面临计算成本高和训练稳定性差的问题，且其效果在一定程度上受限于训练数据的规模和质量。

针对上述问题，本文提出了一种基于对比学习的轻量级单图像无配对训练去噪算法，命名为SinCUT。该算法的核心思想是利用单帧高噪声实验相位图作为源域（即“噪声风格”），同时采用单帧模拟的理想条纹图作为目标域（即“干净风格”），通过学习源域与目标域之间的映射关系，实现对高分辨率实验相位图的高效去噪。SinCUT算法的优势在于，它不仅能够处理无配对的高分辨率噪声图像，而且训练过程只需一个实验相位图和一个模拟相位图，大大降低了对数据量的依赖。此外，该算法在去噪效果上表现出色，能够显著提升图像质量，同时保持较高的处理速度，为工业领域的实时无损检测提供了新的解决方案。

为了验证SinCUT算法的有效性，本文进行了两阶段的实验。第一阶段是仿真实验，通过使用可控噪声（如模拟散斑噪声和高斯读出噪声）生成的数据，对算法进行定量评估，以确认其在仿真数据上的性能表现和处理效率。第二阶段是真实实验，通过对实际采集的Shearography相位图像进行去噪处理，分析其在现实噪声条件下的表现，包括散斑噪声、传感器噪声以及环境振动等。实验结果表明，SinCUT算法不仅在仿真数据上优于传统方法，而且在真实噪声环境下也展现出良好的泛化能力，能够有效去除实际图像中的复杂噪声，而无需依赖成对的实验数据。

在模型设计方面，SinCUT算法基于生成对抗网络（GAN）进行改进，构建了一个单向映射架构。通过避免使用反向辅助生成器和判别器，该模型显著简化了训练过程，提高了训练效率。同时，对比学习作为一种在无监督视觉表示学习中非常有效的工具，被引入到SinCUT算法中，以增强模型对噪声特征的识别和学习能力。具体来说，该算法利用了“块对比损失”（PatchNCE Loss）来约束生成器和判别器之间的联合行为，从而实现从噪声图像到干净图像的无监督跨域转换。

实验结果表明，SinCUT算法在处理高分辨率相位条纹图时具有显著优势。在仿真实验中，它在处理不同噪声水平和密度的相位图像时，能够保持较高的去噪效果和较快的处理速度。而在真实实验中，SinCUT算法同样表现出色，能够有效去除实际图像中的复杂噪声，同时保持条纹图的结构特征和相位信息的完整性。这表明，SinCUT算法不仅在理论上有创新，而且在实际应用中也具有较高的可行性。

此外，本文还探讨了SinCUT算法在工业无损检测中的潜在应用价值。在实际工业环境中，Shearography技术被广泛用于检测材料的微小变形和结构缺陷，其全场测量和非接触特性使其成为一种理想的检测工具。然而，由于散斑噪声的存在，相位条纹图的测量精度受到严重影响。SinCUT算法的提出，为解决这一问题提供了新的思路。它能够在不依赖成对数据的情况下，对高分辨率实验相位图进行高效去噪，从而提升检测的准确性和可靠性。这对于需要实时处理和高精度分析的工业检测场景具有重要意义。

综上所述，本文提出的SinCUT算法在处理Shearography相位条纹图的去噪问题上展现出显著优势。它不仅克服了传统方法在计算效率和参数依赖方面的不足，还解决了现有深度学习方法对成对数据的依赖问题。通过结合对比学习和生成对抗网络，SinCUT算法能够在无监督条件下实现从噪声图像到干净图像的高效转换，为工业无损检测提供了新的技术路径。未来，随着算法的进一步优化和实际应用的推广，SinCUT有望在更广泛的工业检测场景中发挥重要作用，推动Shearography技术在实际应用中的普及和发展。