Nov, 2019

使用 U-Nets 创建太阳日冕高保真虚拟观测

PDF
TL;DR本文介绍了如何利用深度学习技术对 NASA Solar Dynamics Observatory 的大量数据进行处理和分析，以获得高精度的虚拟望远镜，提高观测能力和减少遥测需求。
nasasolar dynamics observatorydeep learningimage translationheliophysics missions
发现论文，激发创造
  • 基于注意力机制的生成神经网络在太阳动力学观测卫星上的图像压缩

    我们提出了一个 AD-HOC ANN 图像压缩方案，用于通过优化的了解太阳动态的 SDO 任务。这种基于神经网络的压缩方式比常用的图像压缩编解码器（例如 JPEG 和 JPEG2000）的速率失真平衡更好，比行业损失转换编码压缩编解码器（如 BPG）的表现更好。

    Oct, 2022

  • 高分辨率太阳观测成像的生成模型比较研究

    本文使用 Solar Dynamics Observatory 的高分辨率极紫外光观测数据集，探讨了当前最先进的生成模型能够准确捕获观测到的太阳活动状态的数据分布的能力，并发现了基于 StyleGAN 的模型族处理太阳图像细节方面的严重缺陷。使用分布式训练，可以训练生成模型达到 1024x1024 分辨率，产生高质量的样本，可以与人类专家无法区分。

    Apr, 2023

  • 太阳动力学观测卫星上的上下文感知神经视频压缩

    为了减少太空任务中的数据存储和视频带宽需求，NASA 的太阳动力学观测卫星（SDO）任务收集了大量太阳日常活动的数据。本文提出了一种专为 SDO 图像设计的新型基于神经 Transformer 的视频压缩方法，旨在有效利用太阳图像中的时间和空间冗余，以获得高压缩比。实验结果表明，FLaWin Transformer 模块对压缩性能有着显著贡献，在速率失真权衡方面胜过传统的手工设计的视频编解码器如 H.264 和 H.265。

    Sep, 2023

  • 利用 SDO/HMI 数据和辅助注意力卷积神经网络对太阳活动区域的 SOHO/MDI 磁图进行超分辨率重建

    太阳图像超分辨率的关键是使用了一种名为 SolarCNN 的注意力卷积神经网络，它旨在提高 Michelson Doppler Imager (MDI) 收集的太阳活跃区域的视线磁图质量。通过使用 Solar Dynamics Observatory (SDO) 上的 Helioseismic and Magnetic Imager (HMI) 收集的视线磁图作为训练数据，SolarCNN 改进了 SOHO/MDI 视线磁图的质量，提高了空间天气的理解和预测能力。

    Mar, 2024

  • 基于神经网络的太阳图像数据压缩方案

    研究太阳系特别是太阳依赖于每天从太空任务中收集到的数据。本文提出了一种基于神经网络的有损压缩方法，用于 NASA 的数据密集型成像任务，该方法在压缩极紫外（EUV）数据时，在速率失真（RD）性能方面优于当前使用和最先进的编解码器如 JPEG 和 JPEG-2000。

    Nov, 2023

  • 标准化 SoHO/EIT 和 SDO/AIA 171Å 图像：基于深度学习方法

    利用 SoHO/EIT 和 SDO/AIA 171 Å 调查的时间重叠，训练了一组深度学习模型，用于创建两个太阳循环期间极紫外图像的单一均匀调查，通过 'Approximate Bayesian Ensembling' 方法生成模型集合，展示了模型集合对预测的巨大价值，并展示了在训练数据中未很好表示的测试数据中较高的不确定性。

    Aug, 2023

  • 利用计算机视觉和 LSTM 网络分析和预测太阳冕空洞

    使用计算机视觉技术检测太阳上的日冕洞区域并估计其大小，利用深度学习方法分析日冕洞面积的趋势，并预测未来七天不同太阳区域中日冕洞的面积。通过研究时间序列数据，希望找出日冕洞行为的模式，并了解其对太空天气的潜在影响，以提高我们预测和应对可能影响地球技术系统的太空天气事件的能力。

    May, 2024

  • 利用太阳影像上的机器学习实现高频率热层密度估计

    将太空中的极紫外光图像数据直接融入神经网络热层密度模型，可以代替地面代理指标、提高预测性能，为低地球轨道卫星导航流程中的操作性热层密度预测模型引入极紫外光数据的使用方法。

    Nov, 2023

  • 太阳合成成像：在 SDO/AIA 数据上引入去噪扩散概率模型

    利用生成深度学习模型 DDPM 合成太阳现象的图像，以解决太阳活动预测的数据稀缺问题，并展示了在生成逼真太阳图像方面的有希望的结果，强调 DDPM 在太阳数据分析和预测方面的潜力，以及在其他深度学习和物理任务中的应用探索。

    Apr, 2024

  • 太阳多目标多帧盲反卷积及具有空间变化卷积神经模拟器

    该论文介绍了一种利用深度神经网络模拟空间变异卷积的新框架，为天文图像去模糊的效率和准确性带来突破；通过对具有空间不变点扩散函数的图像数据集进行训练，并验证了其适用于空间变异条件，该方法在传统方法上具有显著突破，将卷积模拟器用作太阳图像的多目标多帧盲去模糊算法的前向模型，避免了分块整合技术所带来的伪影现象，从而在处理时间上具有重大的计算优势。

    May, 2024