利用生成对抗网络分离重叠星系
宇宙学与河外天体物理
2022-12-28 v1 星系天体物理
摘要
包括生成对抗网络（GAN）在内的深度生成模型是学习数据集分布的有力无监督工具。我们在 PyTorch 中构建了一个简单的 GAN 架构，并在 CANDELS 数据集上进行训练，从噪声向量出发生成具有哈勃空间望远镜（HST）分辨率的星系图像。随后，我们修改 GAN 架构，通过将昴星团望远镜 Hyper Suprime-Cam 地基图像的分辨率提升至 HST 分辨率来改善这些图像。我们使用超分辨率 GAN 处理一个由 CANDELS 剪切图创建的大样本重叠星系。在我们的模拟重叠样本中，即使在 HST 分辨率剪切图中，也有约 20% 的星系会因重叠而无法识别。在类 HSC 剪切图中，这一比例上升至约 90%。利用我们改进的 GAN，可将该值降至约 50%。我们量化了在高、低及 GAN 分辨率下，两个重叠天体之间在整个角间距、流量比、尺寸及红移差参数空间中的重叠比例。GAN 重叠分离器找到的两个峰值使得重叠天体的测光测量精度提升了十倍。通过修改 GAN 的架构，我们还训练了一个使用七个波段光学+近红外 HST 剪切图的多波段 GAN。与单波段 GAN 相比，该多波段 GAN 将检测到的重叠比例进一步提高了约 10%。这对当前和未来的精密宇宙学实验（例如 LSST、SPHEREx、Euclid、Roman），特别是那些依赖弱引力透镜的实验尤为有益，因为星系重叠是这些实验中系统误差的一个主要来源。
引用
@article{arxiv.2211.04488,
title = {Deblending Galaxies with Generative Adversarial Networks},
author = {Shoubaneh Hemmati and Eric Huff and Hooshang Nayyeri and Agnès Ferté and Peter Melchior and Bahram Mobasher and Jason Rhodes and Abtin Shahidi and Harry Teplitz},
journal= {arXiv preprint arXiv:2211.04488},
year = {2022}
}
备注
12 pages, 9 figures, accepted for publication in the Astrophysical Journal