[論文レビュー] BSoNet: Deep Learning Solution for Optimizing Image Quality of Portable Backscatter Imaging Systems

Linxuan Li, Wenjia Wei+4 more|arXiv (Cornell University)|Feb 12, 2026

Radiation Shielding Materials Analysis被引用数 0

ひとこと要約

BSoNet は BSformer と RANet を導入した自己教師ありの Transformer-CNN ハイブリッドフレームワークで、携帯型バックシャッターイメージングにおける低光子数とノイズに対処し、画像品質を向上させます。

ABSTRACT

Portable backscatter imaging systems (PBI) integrate an X-ray source and detector in a single unit, utilizing Compton scattering photons to rapidly acquire superficial or shallow structural information of an inspected object through single-sided imaging. The application of this technology overcomes the limitations of traditional transmission X-ray detection, offering greater flexibility and portability, making it the preferred tool for the rapid and accurate identification of potential threats in scenarios such as borders, ports, and industrial nondestructive security inspections. However, the image quality is significantly compromised due to the limited number of Compton backscattered photons. The insufficient photon counts result primarily from photon absorption in materials, the pencil-beam scanning design, and short signal sampling times. It therefore yields severe image noise and an extremely low signal-to-noise ratio, greatly reducing the accuracy and reliability of PBI systems. To address these challenges, this paper introduces BSoNet, a novel deep learning-based approach specifically designed to optimize the image quality of PBI systems. The approach significantly enhances image clarity, recognition, and contrast while meeting practical application requirements. It transforms PBI systems into more effective and reliable inspection tools, contributing significantly to strengthening security protection.

研究の動機と目的

• ポータブルバックシャッターイメージング（PBI）システムに inherently low backscatter signals を持つ状況での画像品質の向上を動機づける。
• 全体的な（Transformer）と局所的な（CNN）特徴を組み合わせて PBI 画像のノイズ除去とディテール強調を行う深層学習フレームワークを開発する。
• 適応処理により varied scanning conditions における入力-出力の次元整合性を維持し、実用性を確保する。
• クリーンなラベルデータなしで学習できる自己教師あり学習を活用し、複雑なノイズパターンへのロバスト性を向上させる。

提案手法

• BSformer（Backscatter Optimization Transformer）を提案し、グローバルアテンションとローカル CNN 特徴を融合してノイズ除去とディテール強化を実現する。
• マルチスケール特徴抽出とスケール間特徴融合を可能にする FLN および FFN コンポーネントを BSformer 内に組み込む。
• RANet（Resolution Adaptive processing）を導入し、最適化前に画像サイズを調整し、処理後に元の次元を回復する。
• Noise2Void 自己教師あり戦略をノイズ強化とともに適用し、ラベルなしデータから学習する。
• BSoNet フレームワーク内でエンドツーエンドに学習させ、多様なスキャン条件に対応し画像構造を保持する。

実験結果

リサーチクエスチョン

• RQ1 BSformer は Transformer ベースのグローバルコンテキストと CNN ベースのローカル特徴を組み合わせてバックシャッター画像のノイズ除去と強化を効果的に行えるか。
• RQ2 Resolution Adaptive Network（RANet）は最適化前後の画像構造と次元を varied scanning conditions の下で保持するか。
• RQ3 ノイズ強化を伴う自-supervised（Noise2Void）学習はクリーンなラベルなしで頑健なバックシャッター画像最適化を実現するか。
• RQ4 PBS-140 システムを用いた異なる電圧、走査速度、継続時間で BSoNet はどのように性能を示すか。
• RQ5 PBI 応用における画像の鮮明さ、認識、コントラストの実用的な改善はどれほどか。

主な発見

• 本研究は BSformer と RANet を組み合わせたバックシャッター画像品質最適化手法を提案する BSoNet を導入する。
• BSoNet は Noise2Void 自己教師あり学習とノイズ増幅を活用してクリーンなラベルなしで学習する。
• PBS-140 システムのデータには 906 枚の生画像が含まれ、うち 760 が訓練、146 がテストに用いられた。
• このフレームワークは多様なスキャン条件に適応し、解像度変化を跨いでも画像構造を保持するよう設計されている。