用 R2D2 对天鹅座 A 进行深度快速 CLEAN

一种用于天文射电干涉合成成像的新型深度学习范式最近被提出，称为“用于高动态范围成像的残差到残差 DNN 序列”（R2D2）。在本工作中，我们首先阐明 R2D2 的算法结构，将其解释为 CLEAN 的学习版本，其中次要循环被深度神经网络（DNN）替代，而该网络的训练是迭代特定的。随后我们进行 R2D2 在真实数据上的首次演示，利用甚大阵列（VLA）的 S 波段观测对射电星系天鹅座 A 进行单色强度成像。我们表明，R2D2 学习方法的建模能力能够提供高精度成像，超越 CLEAN 的分辨率，并分别匹配现代优化与即插即用算法 uSARA 和 AIRI 的精度。仅需少量主要循环迭代，R2D2 提供了比以高度迭代著称的 uSARA 和 AIRI 快得多的重建，并且至少与 CLEAN 一样快。