ComptonUNet：噪声和低统计条件下康普顿相机伽马射线暴定位的深度学习模型
计算机视觉与模式识别
2026-02-20 v1 天体物理仪器与方法
摘要
伽马射线暴是宇宙中最剧烈的暂现现象之一，是研究高能天体物理过程的强大探针。特别是来自遥远宇宙的微弱伽马射线暴，可能为恒星形成的早期阶段提供独特见解。然而，由于低光子统计量和大量背景噪声，探测和定位这类微弱源仍然具有挑战性。尽管最近的机器学习模型解决了这些挑战的个别方面，但它们往往难以在统计鲁棒性和噪声抑制之间取得平衡。因此，我们提出了ComptonUNet，一个混合深度学习框架，它联合处理原始数据并重建图像，以实现鲁棒的伽马射线暴定位。ComptonUNet通过结合直接重建模型的统计效率与基于图像的架构的去噪能力，被设计为在有限光子统计量和强背景污染条件下有效运行。我们模拟了嵌入在代表近地轨道任务背景环境中的伽马射线暴事件，以评估ComptonUNet的性能。我们的结果表明，ComptonUNet显著优于现有方法，在广泛的低统计量和高背景场景中实现了更高的定位精度。
引用
@article{arxiv.2602.17085,
title = {ComptonUNet: A Deep Learning Model for GRB Localization with Compton Cameras under Noisy and Low-Statistic Conditions},
author = {Shogo Sato and Kazuo Tanaka and Shojun Ogasawara and Kazuki Yamamoto and Kazuhiko Murasaki and Ryuichi Tanida and Jun Kataoka},
journal= {arXiv preprint arXiv:2602.17085},
year = {2026}
}
备注
Accepted by ApJ