黑洞图像生成的分支校正去噪扩散模型（BCDDM）
星系天体物理
2025-05-28 v3 计算机视觉与模式识别
摘要
通过将Event Horizon Telescope（EHT）数据拟合到通过一般相对论射线追踪（GRRT）生成的模拟图像中，可以推断黑洞和吸积流的属性。然而，由于GRRT计算密集，提高生成特定辐射通量图像的效率迫在眉睫。本文引入分支校正去噪扩散模型（BCDDM），一种从物理参数直接合成黑洞图像的深度学习框架。该模型包含分支校正机制和加权混合损失函数以提高准确性和稳定性。我们构建了2157个GRRT模拟图像的数据集用于训练BCDDM，覆盖辐射效率不足的吸积流（RIAF）模型中的七个关键物理参数。我们的实验表明，生成的图像与其物理参数之间存在强相关性。通过BCDDM生成的图像增强了GRRT数据集，并使用ResNet50进行参数回归，我们在参数预测性能方面实现了显著的改进。BCDDM为减少黑洞图像生成的计算成本提供了一种新方法，为数据集扩充、参数估计和模型拟合提供了更快更有效的途径。
引用
@article{arxiv.2502.08528,
title = {BCDDM: Branch-Corrected Denoising Diffusion Model for Black Hole Image Generation},
author = {Ao liu and Zelin Zhang and Songbai Chen and Cuihong Wen and Jieci Wang},
journal= {arXiv preprint arXiv:2502.08528},
year = {2025}
}
备注
20 pages, 10figures