Oct, 2023

基于点扩散函数正则化和主动学习的图像恢复

PDF
TL;DR通过深度学习的图像修复算法与高保真度望远镜模拟器相结合的新型图像修复算法，可以有效增强模糊图像的细节结构，提高观测图像的质量，用于大规模天文巡天数据的信息提取，推动天文研究领域的进展。
large-scale astronomical surveysimage restoration algorithmdeep learningtelescope simulatorinformation extraction
发现论文，激发创造
  • 使用深度学习从点扩散函数和扩展图像直接预测泽尼克系数

    使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。

    Apr, 2024

  • 图像去卷积中学习点扩散函数可逆性评估

    本研究提出一种基于深度学习的图像去卷积方法，通过使用神经网络将点扩散函数（PSF）映射到单位冲激响应上，并通过对比映射后的 PSF 与单位冲激响应的差异来评估 PSF 适用于深度学习辅助去卷积的可能性，研究发现该方法在提高去卷积质量方面表现出良好的性能，可用于设计衍射光学元件和优于传统框架。

    May, 2024

  • 天文望远镜点扩散函数建模：弱重力透镜研究综述

    本篇论文旨在介绍天文观测中的点扩散函数（PSF）建模，包括背景知识、PSF 的物理贡献、建模方法与验证方法，并重点探讨 PSF 建模在未来天文望远镜中的挑战与未来发展方向。

    Jun, 2023

  • PI-AstroDeconv：一种物理信息引导的无监督学习方法用于天文图像去模糊

    在天文望远镜的成像过程中，波束或点扩散函数（PSF）的反卷积是一项关键任务。我们提出了一种无监督网络结构，利用先前的物理信息实现图像反卷积和重构，通过引入加速的快速傅里叶变换（FFT）卷积实现对高分辨率输入图像和 PSF 的高效处理。通过比较分析对自编码器（AE）和 U-Net 等各种经典回归网络进行了综合性能评估。

    Mar, 2024

  • 具有热激活的神经场用于任意尺度超分辨率

    利用傅立叶理论和热方程衍生的一种新型激活函数，我们提出了一种设计神经场的新方法，使得可以使用高斯点扩散函数查询点，在 ASSR 分辨率转换时提供了理论上保证的抗锯齿效果，并且在计算成本上不增加额外开销，同时与超网络结合，比之前的方法更具参数效率。

    Nov, 2023

  • 基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

    本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

    Jun, 2021

  • 基于预训练深度神经网络的图像质量评估与掩模算法

    本研究提出了一种基于深度学习的图像质量评估算法，利用自编码器学习高质量天文图像的特征，从而实现自动评估图像质量和噪声区域的遮盖，提高数据处理效率。该算法经过两种情景的测试，证明能够有效识别点扩散函数和复杂背景所影响的区域，可用于不同的天文巡天项目中的图像质量评估，进一步提高数据处理的速度和稳定性。

    May, 2024

  • 使用成像模拟进行后处理的光学像差校正

    本研究提出了一种用于恢复因光学像差导致的图像退化的实用方法，通过基于我们提出的光学点扩散函数模型的成像模拟系统，生成特定设备的成像结果，并在合成数据对上设计空间自适应网络模型，消除了大量拍摄和注册训练数据的开销。实验结果表明，该方法成功地消除了空间变异模糊和色散，并具有更低的计算开销和便于转移到当前商业相机。

    May, 2023

  • 使用频率选择重建将非规则像素子集的图像重新采样为规则网格

    本文介绍了一种名为频率选择性重建的算法，可以将图像信号从非规则的采样点重建到规则的网格上，通过在傅里叶域中利用信号的稀疏性和成像系统的光学传递函数等基本特征建立一个稀疏模型，实现了很高的重建质量和视觉质量。

    Apr, 2022

  • 直接从光学显微观测中学习成像机理

    利用自监督学习，提出一种物理信息掩蔽自动编码器 (PiMAE)，能够通过直接从原始显微图像中学习估计点扩散函数 (PSF) 和发射源的值，这种方法优于传统方法，展示了可行的机制实现在光学显微镜中实现更精确的成像。

    Apr, 2023