Speckle Noise Reduction in LDV Measurements Using Total Variation based Filtering and Deep Learning based Frameworks for Offline and On-Device Denoising = LDV 측정에서의 스펙클 노이즈 감소를 위한 전변동（TV） 기반 필터링 및 딥러닝 기반 오프 라인 · 온디바이스 제거 프레임워크

다국어 초록 (Multilingual Abstract)

Noise removal is a critical aspect of signal processing, yet existing algorithms often
exhibit limitations when applied to complex and highly corrupted signals. In particular,
the suppression of speckle noise from vibration velocity signals acquired through Laser
Doppler Vibrometry （LDV） remains challenging due to high computational cost and
limited denoising efficiency. These methods frequently struggle to capture underlying
signal patterns while maintaining the processing speed required for real-time applications. To address these issues, a Total Variation （TV）-based denoising framework is
proposed for low-noise signals, while deep learning based generative models such as
the Bidirectional Generative Adversarial Network （BiGAN） and Variational Autoencoder （VAE） are investigated for higher noise distributions. The performance of TV
based desnoising is compared with their corresponding windowed variants, whereas
the learning-based frameworks are evaluated against existing learning based denoising
approaches reported in the literature. The results demonstrate that the proposed TVbased method effectively denoises low level noisy signals while preserving their temporal
structure, achieving signal-to-noise ratio （SNR） improvements of up to 25 dB significantly outperforming conventional counterparts. In contrast, the deep learning models,
trained on preprocessed noisy–clean signal pairs, successfully learned noise characteristics and error trends, enabling robust speckle denoising under highly noised conditions. A comprehensive comparative analysis further reveals that the BiGAN combined
with a low-pass filter （BiGAN+LPF） achieved the highest performance, improving the
SNR from 4.58 dB to 20.26 dB for higher noise level signals. In real-time environments, the BiGAN+LPF framework established itself as a state-of-the-art method for
high-frequency speckle noise suppression, achieving an average ∆SNR improvement of
16.9 dB compared to other models.

국문 초록 (Abstract)

노이즈 제거는 신호 처리에서 매우 중요한 요소이지만, 기존 알고리즘들은 복잡하고
강하게 손상된 신호에 적용될 경우 종종 성능의 한계를 드러낸다. 특히 레이저 도플러
진동계（LDV）를 통해 획득한 진동 속도 신호에서 발생하는 스펙클 노이즈의 억제는 높은
계산 비용과 제한적인 노이즈 제거 효율로 인해 여전히 해결하기 어려운 문제이다. 이
러한 기존 기법들은 신호의 근본적인 패턴을 충분히 포착하지 못하거나, 실시간 처리를
위해 요구되는 속도를 유지하지 못하는 경우가 많다. 이러한 문제를 해결하기 위해 본
연구에서는 낮은 수준의 노이즈 신호에 대해 Total Variation（TV） 기반의 노이즈 제거
프레임워크를 제안하고, 높은 수준의 노이즈 분포에 대해서는 양방향 생성적 적대 신경
망（BiGAN）과 변분 오토인코더（VAE）와 같은 딥러닝 기반 생성 모델을 탐구하였다. TV
기반 방법은 윈도우 기법이 적용된 변형 모델들과 비교하였으며, 학습 기반 모델들은 기
존 문헌의 학습 기반 노이즈 제거 알고리즘과 비교하여 성능을 평가하였다. 실험 결과,
제안된 TV 기반 방법은 낮은 수준의 노이즈 환경에서 신호의 시간적 구조를 유지하면서
효과적으로 노이즈를 제거하여 최대 25 dB의 SNR 향상을 이루었으며, 기존 기법 대비
뛰어난 성능을 보였다. 반면, 딥러닝 기반 생성 모델들은 전처리된 노이즈-클린 페어 데
이터를 학습하여 노이즈 특성과 오차 경향을 성공적으로 모델링함으로써 높은 노이즈
환경에서도 강건한 스펙클 제거 능력을 보여주었다. 종합적인 비교 분석 결과, BiGAN과
저역통과필터（LPF）를 결합한 BiGAN+LPF 모델이 가장 우수한 성능을 달성하였으며,
높은 노이즈 수준 신호에 대해 SNR을 4.58 dB에서 20.26 dB로 향상시켰다. 실제 실시
간 환경에서도 BiGAN+LPF 프레임워크는 고주파 스펙클 노이즈 억제를 위한 최첨단
기법으로 자리매김하였으며, 다른 모델 대비 평균 16.9 dB의 SNR 향상을 보여주었다.

목차 (Table of Contents)

• Abstract （English） i
• Abstract （Korean） iii
• List of Contents v
• List of Tables vii
• List of Figures ix
• 1 Introduction 1
• 1.1 LDV signal’s problem and literature review 1
• 1.2 Contributions 5
• 1.3 Thesis Organization 5
• 2 Related Concepts 7
• 2.0.1 Signal Processing Unit 7
• 2.0.2 Signals Denoising methods 13
• 3 LDV Signals Classical Denoising 16
• 3.1 Proposed Classical TV based method 16
• 3.1.1 Overview 16
• 3.1.2 Step 1: Local Total Variation （TV） Computation 16
• 3.1.3 Step 2: Adaptive Robust Gating 18
• 3.1.4 Step 3: Morphological Refinement 19
• 3.1.5 Step 4: Local Polynomial Imputation 19
• 3.2 Performance Evaluation 19
• 3.3 Synthetic LDV Signals Denoising 20
• 3.3.1 Synthetic Signal Generation 21
• 3.3.2 Results and Discussion 21
• 3.4 Experimental LDV Signals Denoising 25
• 3.4.1 LDV Signals Acquisition 25
• 3.4.2 LDV Signals Denoising Results and Analysis 27
• 4 LDV Signals Deep learning based Denoising 31
• 4.1 Signals Data Acquisition 31
• 4.2 Proposed Deep learning based denoising frameworks 31
• 4.2.1 Bidirectional Generative Adversarial Network （BiGAN） Algorithm 32
• 4.2.2 Variational Autoencoder （VAR） Algorithm 37
• 4.2.3 Evaluation Metrics: 40
• 5 Experiments and Results 46
• 5.1 Simulation based Evaluation 46
• 5.1.1 Results analysis 48
• 5.2 Experimental Validation 52
• 5.2.1 Quantitative Results analysis 53
• 6 Summary 62
• 6.1 Conclusion 62
• References 64
• Acknowledgements 68