[论文解读] 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 0

一句话总结

BSoNet 引入 BSformer 和 RANet，一种自监督的 Transformer-CNN 混合框架，用于提升便携式背散射成像的图像质量，解决低光子计数和噪声问题。

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.

研究动机与目标

• 在本质上信号较低的 PBI 系统中，提升成像质量的动机。
• 开发一个结合全局（Transformer）和局部（CNN）特征的深度学习框架，用于 PBI 图像的去噪与细节增强。
• 通过自适应处理在不同扫描条件下保持输入输出维度的一致性，确保实用性。
• 利用自监督学习在没有干净标签数据的情况下进行训练，提高对复杂噪声模式的鲁棒性。

提出的方法

• 提出 BSformer，一个 Backscatter Optimization Transformer，将全局注意力与局部 CNN 特征融合用于去噪和细节增强。
• 嵌入 FLN 和 FFN 组件，在 BSformer 内实现多尺度特征提取和跨尺度特征融合。
• 为在优化前调整图像尺寸并在处理后恢复原始尺寸，引入 RANet 的分辨率自适应处理。
• 应用 Noise2Void 自监督策略，并增加高斯噪声增强以从无标签数据中学习。
• 在 BSoNet 框架内端到端训练，以应对多样化扫描条件并保留图像结构。

实验结果

研究问题

• RQ1 BSformer 是否能够通过结合 Transformer 的全局上下文和 CNN 的局部特征来有效去噪和增强背散射图像？
• RQ2 Resolution Adaptive Network (RANet 在优化前后是否能够在不同扫描条件下保持图像结构和尺寸？
• RQ3 带有噪声增强的自监督 Noise2Void 训练是否能够在没有干净标签的情况下实现鲁棒的背散射图像优化？
• RQ4 在 PBS-140 系统下，BSoNet 在不同电压、扫描速度和持续时间下的表现如何？
• RQ5 在 PBI 应用中，图像清晰度、识别度和对比度的实际提升是什么？

主要发现

• 本研究提出 BSoNet，将 BSformer 与 RANet 结合用于背散射图像质量优化。
• BSoNet 利用 Noise2Void 自监督学习与噪声增强，在没有干净标签的情况下进行训练。
• 来自 PBS-140 系统的数据包含 906 张原始图像，其中 760 张用于训练，146 张用于测试。
• 该框架设计为适应多样化的扫描条件，在分辨率变化时保持图像结构。