Feb, 2024

RFI-DRUnet：修复由射频干扰损坏的动态光谱 —— 应用于脉冲星观测

PDF
TL;DR射电频率干扰（RFI）对射电天文学观测，尤其是对需要高时序精度和数据敏感性的脉冲星观测而言，一直是一个持久的关切。大部分文献中，RFI 的缓解被构建为一种检测任务，该任务包括在动态频谱中定位可能的 RFI。与之相反，本论文提出将 RFI 缓解作为一种联合检测与恢复的方法，这样可以不仅仅标识 RFI 影响的动态频谱的部分，还能恢复这些部分。所提出的监督方法依赖于一个深度卷积网络，其架构继承了最近流行的图像去噪网络取得的性能。为了训练该网络，建立了一个完整的模拟框架，根据脉冲星信号和 RFI 的物理启发和统计模型生成大数据集。通过进行广泛的实验来定量评估所提出方法的相关性。结果表明，恢复后的动态频谱足够可靠，可以以接近无 RFI 信号获得的精度估计脉冲星到达时间。
radio frequency interferencerfipulsarsdetection and restorationsupervised method
发现论文，激发创造
  • 利用深度卷积神经网络进行射频干扰抑制

    使用深度学习技术，提出了一种用于射电数据中减轻射电频率干扰信号（RFI）的新方法，通过一种特殊的卷积神经网络，该网络可以对来自射电望远镜获得的 2D 有序时间数据中的清洁信号和 RFI 信号进行分类。作者实现的 U-Net 得到了与已有的 RFM 算法相媲美的结果。

    Sep, 2016

  • AdaIR：基于频率挖掘和调制的自适应综合图像恢复

    通过频域挖掘和调制，我们提出了一种自适应的全功能图像恢复网络，该网络能够根据不同的输入降解类型强调信息丰富的频带，从而实现逐步引导的恢复。广泛的实验证明，该方法在去噪、去雾、去雨、运动去模糊和低光图像增强等不同图像恢复任务上实现了最先进的性能。

    Mar, 2024

  • 基于物理学的湍流图像恢复与随机细化

    提出了物理整合的修复网络 (PiRN) 和 PiRN-SR 方法，该方法通过物理模拟器直接参与训练过程，从而帮助网络从图像退化和底层图像中分离出随机性，以提高真实世界未知湍流条件下的泛化性能，并在像素精确度和感知质量方面提供了最新的恢复效果。

    Jul, 2023

  • 基于扩散模型的空间与频率感知图像恢复方法

    通过提出具有高斯噪声的空间和频率感知扩散模型 SaFaRI，我们在各种包括修补、降噪和超分辨率在内的有噪反问题上全面评估了模型的性能，结果显示 SaFaRI 在 ImageNet 和 FFHQ 数据集上表现优于现有的零样本 IR 方法，从 LPIPS 和 FID 指标的角度超越了其他模型，实现了最先进的性能。

    Jan, 2024

  • 基于深度学习的干涉射电瞬变重构反卷积

    本研究论文提出了一种新的神经网络框架，可以在时间和空间上建模数据和仪器响应，并加入时间相关性来提高经典图像反卷积算法 CLEAN 的性能，在大噪声数据帧中表现出较高的鲁棒性。

    Jun, 2023

  • 探索和评估动态场景图像修复的潜力

    本文提出图像恢复潜力的概念，并通过建立有复合失真的动态场景图像数据集，使用深度模型预测该潜力的价值，并证明了恢复图像、优化相机设置和筛选有价值图像帧等多项应用的潜在优势。

    Mar, 2022

  • 灵活图像修复

    在图像修复中，人们常常希望根据指令去除特定的图像退化现象，本文提出了一种名为 TransRFIR 的新型建模方法，它通过感知图像中的不同退化类型并根据文本提示去除特定的退化，该方法基于两个设计的注意力模块，即 MHASA 和 MHACA，具有较低的计算成本和优秀的性能，可以作为图像修复的一种有效架构。

    Apr, 2024

  • 学习频率感知的动态变换器用于一体化图像恢复

    该研究提出了一种全方位图像恢复方法，通过从频率角度出发，利用先进的视觉变换器来处理多种类型的退化，以提取图像的退化表示并引导模型适应性地恢复退化的图像。实验证明，该方法在去噪、去雨、去雾和去模糊等四个典型恢复任务中优于现有方法，并且能够处理空间变异的退化和未知退化水平。

    Jun, 2024

  • 通过估计局部块的频率分布进行图像修复

    本文提出了一种基于频域的图像恢复方法，使用交叉熵损失学习频域中的分布，将图像恢复问题作为分类问题来处理，以确定图像补丁中每个频率带的频率系数。

    May, 2018

  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

    Jul, 2022