挑战干涉成像：基于机器学习的uv平面观测源定位
天体物理仪器与方法
2023-06-21 v1
摘要
在我们的工作中，我们首次考察了直接从uv平面观测进行快速高效源定位的可能性，省去了脏图或干净图的重建过程。我们提出了一种基于深度神经网络的框架，以采样uv数据的低维向量作为输入，输出天空中的源位置。我们研究了通过实部与虚部以及幅度与相位分量表示复值输入uv数据的方式。我们将所提框架的效率与基于最先进Python Blob Detection and Source Finder（PyBDSF）方法的传统源定位流程进行了比较。研究使用Common Astronomy Software Applications（CASA）工具针对阿塔卡马大型毫米波阵列（ALMA）第5.3周期天线配置模拟的9164个天空模型数据集进行。我们考察了两种场景：（i）无噪声的理想情况，以及（ii）包含代表典型河外毫米波观测噪声的天空模拟。在无噪声情况下，所提定位框架表现出与最先进PyBDSF方法同样的高性能。然而对于含噪数据，我们的新方法性能显著更优，在均匀信噪比（S/N）为1至10的源上实现了三倍以上的完备率提升，并在低信噪比区间完备率大幅提高。此外，相较于包含从uv平面重建图像及后续源检测的传统方法，所提框架的执行时间显著缩短（约30倍）。
引用
@article{arxiv.2305.03533,
title = {Challenging interferometric imaging: Machine learning-based source localization from uv-plane observations},
author = {O. Taran and O. Bait and M. Dessauges-Zavadsky and T. Holotyak and D. Schaerer and S. Voloshynovskiy},
journal= {arXiv preprint arXiv:2305.03533},
year = {2023}
}