面向太阳动力学观测记录的对比式太阳能图像预训练
计算机视觉与模式识别
2026-04-30 v2
摘要
深度学习已彻底变革了太阳图像分析，但大多数方法要么从头训练特定任务的编码器，要么依赖自然图像预训练而忽略了太阳动力学观测（Solar Dynamics Observatory, SDO）数据的独特特征。我们提出了 SolarCHIP，一套针对多仪器 SDO 观测的对比式预训练视觉主干网络。SolarCHIP 解决了太阳成像中的三个关键挑战：跨 AIA 和 HMI 仪器的多模态感知、由于缓慢的时间演化导致的弱类别可分性以及稀疏活动信号引起的强类内变异性。我们的预训练框架采用多粒度对比目标，联合对齐（1）跨时空 AIA-HMI 配对的全局类标记，以增强时间判别；（2）固定空间索引处的局部标记，以实现位置一致、模态不变的特征；（3）不同空间位置之间的样本内标记，以保留细粒度的空间结构。我们训练了基于卷积神经网络（CNN）和基于视觉转换器（Vision Transformer）的自动编码器，并在两个下游任务上展示了其有效性：通过 ControlNet 实现 HMI 与 AIA 波段之间的跨模态翻译，以及全盘闪烁分类。实验结果表明，SolarCHIP 在两个任务上均实现了最先进的性能，尤其在标注数据有限的低资源设置中表现尤为突出。消融研究确认，每个对比组件在不同粒度上都贡献了必需的判别能力。通过公开发布预训练权重和训练代码，我们为日球物理学社区提供了一个实用的即插即用特征提取器，显著降低了计算需求，提高了标签效率，并为多样化的太阳成像应用奠定了可重用的基础。
引用
@article{arxiv.2511.22958,
title = {Contrastive Heliophysical Image Pretraining for Solar Dynamics Observatory Records},
author = {Shiyu Shen and Zhe Gao and Taifeng Chai and Yang Huang and Bin Pan},
journal= {arXiv preprint arXiv:2511.22958},
year = {2026}
}
备注
arXiv admin note: This submission has been withdrawn due to violation of arXiv policies for acceptable submissions