KI-gestützte Rauschunterdrückung verbessert Neutronenbilder im ICF

Neutronenbilder spielen eine zentrale Rolle bei der Analyse von Inertial Confinement Fusion (ICF)-Ereignissen, etwa am National Ignition Facility (NIF). Durch die hohe Strahlungsintensität und die komplexen Detektorsysteme sind die Aufnahmen jedoch häufig von Rauschen befallen, das feine Details verschleiert und Kantenglättungen verursacht.

Die Rauscharten in diesen Bildern sind meist eine Mischung aus Gaußschen und Poisson‑Rauschen. Diese beiden Typen überschneiden sich stark, sodass herkömmliche Filter‑ und Schwellenwertverfahren kaum noch in der Lage sind, das Rauschen effektiv zu entfernen, ohne gleichzeitig die Bildintegrität zu verlieren.

In der vorliegenden Studie wurde ein unüberwachtes Autoencoder‑Netzwerk entwickelt, das die Cohen‑Daubechies‑Feauveau (CDF 97) Wavelet‑Transformation im latenten Raum nutzt, um das gemischte Rauschen zu reduzieren. Durch die Verwendung synthetisch erzeugter Trainingsdaten, die realistische ICF‑Bilder simulieren, konnte das Modell ohne echte Ground‑Truth‑Daten trainiert werden. Die Ergebnisse zeigen einen deutlich geringeren Rekonstruktionsfehler und eine bessere Kantenerhaltung im Vergleich zu klassischen Filtermethoden.

Diese Fortschritte eröffnen neue Möglichkeiten für die Bildanalyse an bestehenden und zukünftigen ICF-Plattformen. Durch die verbesserte Bildqualität können Forscher präzisere Messungen durchführen und die Optimierung von ICF‑Experimenten beschleunigen.