Jun, 2024

无光谱的星系光谱学：条件扩散模型解读光度图像中的星系属性

PDF
TL;DR开发了一种能够从光度宽频带图像中预测光学星系光谱的生成式人工智能方法，并通过与观测光谱的对比显示了良好的一致性，该方法还能推断光度图像中的速度色散和活跃星系核的存在，并可以在大规模光度调查中获得科学上有趣的星系属性。
spectroscopic surveysgenerative aiphotometric imagesgalaxy spectralarge-scale photometric surveys
发现论文，激发创造
  • 基于深度学习的光度红移估计

    本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

    Jun, 2017

  • 通过宽带光度测定银河系的红移进行多色空间分析

    通过研究多色空间中星系的分布，本文发现相同位置上的星系与红移、亮度和光谱类型有关，而不是与其他因素有关。同时，通过定义光度轴的最佳旋转可以确定光度学和光谱学信息的正交，从而可以进一步提高估算光学红移的准确性。

    Aug, 1995

  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • 基于评分的生成模型实现逼真星系图像模拟

    利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

    Nov, 2021

  • 基于深度学习的 Ia 型超新星光变曲线到红移估计的转换（Photo-zSNthesis）

    采用卷积神经网络基于多波段超新星光变曲线预测完整的红移概率分布以解决光谱资源不足的问题，并在模拟数据和观测数据中均显示出比现有方法更好的性能，最大化了光度超新星样本的宇宙学约束能力。

    May, 2023

  • 使用深度学习和数据增强进行星系检测和识别

    本文提出了一种自动检测和分类星系的方法，并使用新型数据增强程序来使训练模型更加健壮，以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分， AstroCV 是一个开源的计算机视觉库，用于处理和分析大型天文数据集，包括高性能的 Python 和 C++ 算法，它利用卷积神经网络和深度学习技术训练模型，提供的结果优于基于手动特征工程和 SVM 的方法。

    Sep, 2018

  • 点云方法在星系调查领域的生成建模

    我们介绍了一种基于扩散的生成模型，直接描述我们宇宙中的星系分布作为三维空间中的点的集合（坐标），可选地带有关联属性（例如速度和质量），而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真，重现星系分布的关键统计特征，也可以用于推断，通过计算星系场的条件似然性。我们首次应用于 Quijote 模拟套件中的大质量暗物质晕的案例。这种方法可以扩展以实现对宇宙学数据的全面分析，规避了摘要统计特征以及基于神经模拟的推断方法所固有的局限性。

    Nov, 2023

  • 光谱分布感知图像生成

    本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

    Dec, 2020

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • 基于旋转不变卷积神经网络的星系形态预测

    本篇研究利用一种基于深度神经网络的方法，通过对称性原理对 SDSS 和 Galaxy Zoo 的星系图像进行分类，能够在大规模的图像数据集上高效准确地进行星系形态分类，这一方法在提高工作效率的同时也能保持非常高的分类精度。

    Mar, 2015