基于条件扩散的高能X射线成像去噪框架，用于核燃料组件的检测

《Radiation Physics and Chemistry》：A Conditional Diffusion-Based Framework for Denoising in High-Energy X-Ray Imaging of Nuclear Fuel Assemblies

高能X射线成像因穿透力强被用于核燃料组件无损检测，但多根杆结构导致严重散射噪声，影响缺陷识别。本文提出结构感知条件扩散框架StructDiffNet，通过交互式分组残差注意力模块IGRA捕捉长程依赖，频率域结构分解模块FSDM分离结构与非结构噪声，自适应空间-频率融合门ASFFG动态平衡多域特征。实验表明该方法在PSNR、SSIM和LPIPS指标上优于DnCNN、DCGAN等模型，有效抑制高能散射噪声并保留细小结构特征，验证了其在核燃料组件检测中的实用性。

　　

钟志|张向阳|李正焕|卢黎明|何高魁

中国原子能研究院核技术与应用系，北京，102413，中国

摘要

高能X射线成像在核燃料组件的无损检测中应用日益广泛，因为它能够穿透密集材料并揭示内部结构。然而，由于复杂的多棒配置导致的严重散射噪声，加上电子噪声和统计波动，显著降低了图像质量，阻碍了后续的缺陷识别和结构分析。为了解决这些问题，本文提出了StructDiffNet，这是一种基于结构感知的条件扩散框架，用于高能X射线图像去噪。

为了在保持计算效率的同时增强全局结构建模，引入了交互式分组残差注意力（IGRA）模块，该模块结合了分组自注意力和跨组信息交换来捕捉长距离空间依赖性。此外，还设计了一种基于傅里叶的结构分解模块（FSDM），以在频域中明确分离与结构相关的成分和与退化相关的成分，从而获得更具解释性和物理意义的特征表示。在瓶颈阶段进一步集成了自适应空间-频率融合门（ASFFG），以在复杂的退化条件下动态平衡空间域和频率域的线索。

广泛的实验结果表明，StructDiffNet在PSNR、SSIM和LPIPS方面实现了持续的去噪性能提升，同时有效保留了精细的结构细节和全局几何一致性。特别是，在真实工业图像上的结果验证了所提出方法在抑制严重噪声和揭示原始测量中难以区分的微妙结构特征方面的实际有效性。这些结果表明，StructDiffNet为高能X射线无损检测中的核燃料组件提供了稳健且基于物理的图像恢复解决方案。

引言

作为核反应堆的关键组成部分，核燃料组件需要对其内部结构进行精确的无损检测，这对于保持反应堆的安全稳定运行至关重要。高能X射线成像技术由于其卓越的穿透能力和高效的数据采集能力，越来越多地应用于核燃料组件的检测。如图1所示，高能X射线无损检测系统包括9 MeV电子直线加速器、平面和线性阵列探测器以及集成的数据采集和机器控制子系统，通过平面阵列探测器快速扫描生成投影图像以识别潜在缺陷，随后使用线性阵列探测器获取感兴趣区域的放射图像，从而实现高效和高精度的结构重建¹。

然而，核燃料组件的成像质量受到被检测对象固有的物理和结构特性的严重挑战。燃料组件的较大厚度、高材料密度和复杂的多棒配置导致X射线传输过程中发生强烈的高能光子散射。结合电子噪声、统计波动和其他系统引起的干扰，这些因素在获取的图像中产生了复杂的背景干扰和结构模糊。结果，关键的结构特征常常被模糊的边缘、细节丢失和严重的伪影所掩盖，这严重阻碍了可靠的缺陷检测和定量分析。为了解决这些挑战，已经广泛探索了传统的校正技术，包括基于硬件的方法和基于软件的数值滤波方法²，但在有效抑制高能散射干扰方面仍然不足。

近年来，深度学习在图像恢复和转换方面的进步为高能X射线成像中的图像恢复和增强提供了新的解决方案。卷积神经网络（CNN），如DnCNN³，通过端到端学习捕获非线性退化特征而表现出强大的性能，而无需显式建模噪声。然而，这些方法通常依赖于像素级的损失函数，导致过度平滑和结构表示能力较弱⁴。为了提高感知质量，引入了生成对抗网络（GAN）。DCGAN提高了纹理清晰度，而CycleGAN和Pix2Pix分别在非配对和配对环境中表现良好<5, 6, 7, 8>。类似的对抗性和生成策略也在相关成像领域进行了探索，例如多模态医学图像融合，其中结构保留和语义一致性至关重要<9, 10, 11>。然而，GAN容易受到训练不稳定性的影响，产生伪影和不一致性，并且在严重和空间变化的退化条件下难以准确恢复结构。此外，卷积操作的固有局部感受野限制了CNN捕捉长距离依赖性和全局结构背景的能力，这对于恢复核燃料组件中常见的扩展和重复结构至关重要。为了增强模型感知结构信息的能力，注意力机制被引入到图像恢复任务中。通道注意力（SE）和空间注意力（CBAM）在一定程度上改善了特征表示，但难以捕捉长距离依赖性<12, 13>。变压器架构凭借其全局自注意力机制显著提升了建模能力，但其高昂的计算成本和参数冗余阻碍了其在工业图像处理中的应用。为了平衡建模效率和全局表示能力，提出了轻量级注意力结构，如SwinIR、Uformer、Restormer和GRFormer，有效提高了结构建模能力，同时保持了计算效率<14, 15, 16, 17>。最近，还提出了iKBNet，专门用于解决工业数字放射成像中的去噪需求⁴。同时，扩散概率模型在图像去噪和恢复任务中取得了快速进展，因为它们具有强大的稳定性和建模能力。去噪扩散概率模型（DDPM）通过模拟逐步噪声添加和逆向生成过程实现了高保真度图像恢复¹⁸。其加速变体DDIM在保持恢复质量的同时显著提高了采样效率¹⁹。此外，结合结构先验的条件扩散模型提供了可控的生成能力，使其适用于具有空间和几何依赖性的复杂成像场景²⁰。基于此基础，本研究提出了StructDiffNet，这是一种针对高能X射线成像中严重退化干扰的条件扩散去噪框架，其核心创新在于设计了嵌入在逆向扩散过程中的空间-频率结构去噪网络SF-StructNet。具体来说，引入了交互式分组残差注意力块（IGRA）以增强长距离结构建模，同时保持计算效率。此外，还采用了频域结构分解模块（FSDM）来明确分离与结构一致的信息和由背景主导的干扰成分，提供了物理上可解释的表示。在瓶颈阶段进一步集成了自适应空间-频率融合门（ASFFG），以动态平衡空间域和频率域的特征。通过从空间和频率两个角度联合建模结构和退化相关的线索，所提出的方法实现了高能X射线成像中核燃料组件的稳健去噪和准确的结构恢复。

方法部分

方法

为了有效解决工业高能X射线成像中的严重图像退化问题，本研究提出了一种基于条件去噪扩散隐式模型（CDDIM）的图像去噪框架。该框架的核心是通过前向扩散过程构建多尺度噪声图像，并通过条件引导的逆向生成过程逐步恢复清晰图像。

数据集和图像预处理

与受益于丰富数字图像数据集的医学成像领域相比，工业无损检测——特别是核燃料组件的高能X射线成像——长期以来一直面临数据严重短缺的问题。为了解决这一限制，本研究构建了一个具有多样化结构特征和复杂噪声条件的高能X射线去噪数据集，旨在支持深度学习模型的训练和评估。

该数据集主要

不同方法的比较

为了验证所提出的StructDiffNet在高能X射线图像恢复任务中的有效性，我们将其与四种代表性的图像恢复方法进行了比较：DnCNN、DCGAN、CycleGAN、Pix2Pix和iKBNet。这些方法涵盖了各种方法，包括卷积去噪网络、对抗生成模型、无监督图像转换、配对图像到图像映射以及用于工业放射成像的轻量级注意力架构。所有模型都

结论

本文提出了StructDiffNet，这是一种基于结构感知的条件扩散框架，用于在严重噪声和散射干扰下对核燃料组件的高能X射线图像进行去噪。与主要依赖于数据驱动先验的传统基于扩散的方法不同，StructDiffNet将结构和物理上的约束明确纳入逆向扩散过程，以改善退化伪影与连贯结构信息的分离。

CRediT作者贡献声明

钟志：撰写——原始草稿、验证、软件、方法论、形式分析。张向阳：资金获取。李正焕：方法论。卢黎明：方法论。何高魁：撰写——审稿与编辑、监督

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。