Self-emission x-ray imaging is a key diagnostic in inertial confinement fusion (ICF), yet the recorded images are heavily degraded by shot noise arising from photon-counting statistics and scintillator blur, as well as impulsive noise induced by neutron interactions with silicon-based detectors. The complexity of these noise sources, together with the limited availability of experimental data, poses significant challenges for both physical interpretation and data-driven denoising. To address this problem, we propose a hybrid physics-informed and generative framework that enables realistic data synthesis and robust denoising of self-emission x-ray images from ICF experiments. Hot-spot signals are modeled using Legendre polynomial expansions, while shot and impulsive noise are synthesized from empirically measured distributions. A generative enhancement module further reduces the domain gap between synthetic and experimental data, resulting in more realistic training inputs and improved denoising performance. Self-emission x-ray images from experiments conducted on SG-180 kJ laser facility demonstrate the effectiveness of the proposed approach. The synthesized data achieve peak signal-to-noise ratio values reaching 61 dB, and the denoising results improve the signal-to-noise ratio of real experimental images from approximately −30 dB to +35 dB.
自己放射X線イメージングは慣性核融合（ICF）における主要な診断手法であるが、記録された画像は、光子計数統計に起因するショットノイズとシンチレータのぼけ、ならびにシリコンベース検出器との中性子相互作用によって誘起されるインパルスノイズにより、大幅に劣化する。これらのノイズ源の複雑さは、実験データの入手が限られていることと相まって、物理的解釈とデータ駆動型ノイズ除去の両方に重大な課題をもたらす。この問題に対処するため、我々は、ICF実験からの自己放射X線画像の現実的なデータ合成とロバストなノイズ除去を可能にする、物理情報を組み込んだ生成的ハイブリッドフレームワークを提案する。ホットスポット信号はルジャンドル多項式展開を用いてモデル化され、ショットノイズとインパルスノイズは実験的に測定された分布から合成される。生成的強化モジュールは、合成データと実験データ間のドメインギャップをさらに低減し、より現実的なトレーニング入力と改善されたノイズ除去性能をもたらす。SG-180 kJレーザー施設で実施された実験からの自己放射X線画像は、提案手法の有効性を示している。合成データは61 dBに達するピーク信号対雑音比を達成し、ノイズ除去結果は実際の実験画像の信号対雑音比を約−30 dBから+35 dBへ改善する。