面向大与小天文图像数据集的基于选项驱动学习的数据驱动图像复原
天体物理仪器与方法
2020-11-25 v1 星系天体物理
太阳与恒星天体物理
计算机视觉与模式识别
摘要
图像复原方法常用于提升天文图像的质量。近年来，深度神经网络的发展与天文图像数量的增长催生了大量数据驱动的图像复原方法。然而，此类方法大多属于监督学习算法，需要以真实观测或模拟数据得到的配对图像作为训练集。对于某些应用，难以从真实观测中获取足够的配对图像，且模拟图像与真实观测图像差异显著。本文提出一种基于生成对抗网络（GAN）与选项驱动学习的新数据驱动图像复原方法。该方法以若干高分辨率图像作为参考，并在参考图像数量不同时采用不同的学习策略。对于观测条件多变的天文巡天，无论参考图像数量多少，本方法均可获得非常稳定的图像复原结果。
引用
@article{arxiv.2011.03696,
title = {Data--driven Image Restoration with Option--driven Learning for Big and Small Astronomical Image Datasets},
author = {Peng Jia and Ruiyu Ning and Ruiqi Sun and Xiaoshan Yang and Dongmei Cai},
journal= {arXiv preprint arXiv:2011.03696},
year = {2020}
}
备注
11 pages. Submitted to MNRAS with minor revision