Feb, 2017

生成对抗网络恢复超越去卷积极限的星系天体图像特征

PDF
TL;DR使用生成对抗网络训练的方法，能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征，从而增加研究天体物体的现有数据集以及未来观测中的能力。
发现论文，激发创造
  • 锻造新世界：用连锁生成敌对网络制造高分辨率合成星系

    本文探讨如何利用链式生成对抗网络产生逼真的星系图片，并表明这一现代技术在天文学中是有价值的。

    Nov, 2018

  • 使用分支生成对抗网络去卷积星系重叠

    为了解决在密集区域 50% 的混合星系图像问题，我们提出了一种基于分支生成对抗网络的新型解混方法，并通过数据演示其高准确性、高峰值信噪比和结构相似得分，适用于未来大规模调查所需的海量数据处理。

    Oct, 2018

  • 生成式深度场：通过深度学习生成任意大小的随机合成天文图像

    利用空间生成对抗网络（SGANs）和数据驱动的方法，成功地生成了类似哈勃空间望远镜极深场（XDF）的高保真度星系图像，表明该技术在天体物理学及其他领域制造大规模逼真的模拟调查和合成数据的潜力。

    Apr, 2019

  • 使用 GAN 进行图像去模糊

    该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

    Dec, 2023

  • 基于物理学的生成对抗模型用于图像修复及其它领域

    该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

    Aug, 2018

  • 宇宙模拟的随机超分辨率与降噪扩散模型

    近年来，深度学习模型成功应用于增强低分辨率宇宙学模拟的小尺度信息，称为 “超分辨”。我们引入去噪扩散模型作为一种强大的生成模型，用于超分辨宇宙大尺度结构预测（首次在二维中作为概念验证）。通过开发一种新的 “滤波增强” 训练方法，重分配了像素级训练目标中不同尺度的重要性，以获得准确的小尺度结果。我们证明了我们的模型不仅能够产生令人信服的超分辨图像和功率谱，保持百分位水平的一致性，还能够重现与给定低分辨率模拟一致的小尺度特征的多样性，这对于这种超分辨模型作为宇宙结构形成的替代模型的有效性来说至关重要。

    Oct, 2023

  • 使用深度卷积神经网络进行星系分类

    本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

    Aug, 2016

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 利用 GAN 在天体物理蒙特卡洛模拟中的应用

    对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程，例如在致密物体周围的吸积过程中发生的过程，通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例，证明生成对抗网络（GAN）能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5，表明生成的分布与真实分布无法区分。

    Feb, 2024