面向天文学的紧凑型神经网络：最优传输偏差校正
计算机视觉与模式识别
2025-11-25 v1
摘要
天文图像正面临效率与分辨率之间的权衡，限制了大规模形态分类和红移预测。我们引入了WaveletMamba，一个理论驱动的框架，将小波分解与状态空间建模、数学正则化和多级偏差校正相结合。WaveletMamba在64x64分辨率下以81.72% +/- 0.53%的分类准确率仅使用3.54M参数，实现了在低分辨率输入下以9.7倍计算效率提升，达到80.93% +/- 0.27%的高分辨率性能。该框架表现出分辨率多稳定性，即在不同输入尺度上都能保持一致的准确率，尽管内部表示 divergen。该框架的多级偏差校正通过联合最优传输的HK距离（分布层面）与颜色感知加权（样本层面），实现了22.96%的Log-MSE改进和26.10%的异常值降低，无需显式建模选择函数。本文表明，数学严谨性在科学AI中实现了前所未有的效率和全面偏差校正，推动了计算机视觉和天文学之间的跨学科科学发现的革新。
引用
@article{arxiv.2511.18139,
title = {Compact neural networks for astronomy with optimal transport bias correction},
author = {Shuhuan Wang and Yuzhen Xie and Jiayi Li},
journal= {arXiv preprint arXiv:2511.18139},
year = {2025}
}
备注
18 pages, 5 figures, 3 tables. Research article