利用变分自编码器解混星系：一种联合多波段、多仪器的途径

星系的混合（blending）在弱透镜研究的系统误差预算中占主要部分，影响测光与形状测量，特别是对于地基、深场、测光星系巡天，如 Rubin 天文台时空遗产巡天（LSST）。现有的解混器大多依赖星系轮廓的解析建模，并受限于缺乏灵活而精确的模型。我们提出使用基于深度神经网络的生成模型，即变分自编码器（VAE），直接从数据中学习概率模型。我们在一组居中的孤立星系图像上训练 VAE，并将其作为先验复用于第二个类 VAE 的神经网络中以负责星系解混。我们在包含六个 LSST 带通滤光片以及 Euclid 卫星的可见光与近红外波段的模拟图像上训练我们的网络，因为我们的方法自然推广到多波段并能融合多仪器数据。在大多数情况下，我们对椭率和 $r$ 波段星等分别获得介于 $\pm{0.01}$ 与 $\pm{0.05}$ 之间的中位重建误差，并在最优配置下对混合天体获得 1.6% 的椭率乘性偏差。我们也研究了偏离中心的影响并证明该方法具有鲁棒性。该方法仅需每个目标星系的近似中心，而无需关于周围天体数量的假设，指向一种我们留待未来工作的迭代探测/解混流程。最后，我们讨论了在真实数据上训练的未来挑战，并在应用迁移学习时获得令人鼓舞的结果。我们的代码已在 GitHub 公开（https://github.com/LSSTDESC/DeblenderVAE）。