清理我们自身的尘埃：利用神经网络模拟与分离银河系尘埃前景
天体物理仪器与方法
2020-11-11 v1 图像与视频处理
摘要
将银河系前景辐射从宇宙微波背景（CMB）图中分离出来，并量化由于前景分离误差导致的 CMB 图不确定性，对于避免科学结论中的偏差十分重要。我们量化此类不确定性的能力受限于缺乏前景辐射统计分布的模型。此处我们使用深度卷积生成对抗网络（DCGAN）为星际尘埃的辐射强度建立一个有效的非高斯统计模型。训练数据采用由 Planck 卫星观测推断得到的一组尘埃图。DCGAN uniquely suited（ uniquely suited 意为“ uniquely suited ”）用于此类无监督学习任务，因为它能直接从样本中学习建模复杂的非高斯分布。我们随后使用这些模拟来训练第二个神经网络，以从受尘埃污染的图中估计潜在的 CMB 信号。我们讨论了训练后 DCGAN 的其他潜在用途，以及向尘埃与同步辐射两者偏振辐射的推广。
引用
@article{arxiv.1909.06467,
title = {Cleaning our own Dust: Simulating and Separating Galactic Dust Foregrounds with Neural Networks},
author = {K. Aylor and M. Haq and L. Knox and Y. Hezaveh and L. Perreault-Levasseur},
journal= {arXiv preprint arXiv:1909.06467},
year = {2020}
}