用分支生成对抗网络分解星系叠加
天体物理仪器与方法
2019-03-12 v4 星系天体物理
机器学习
机器学习
摘要
近未来的大型星系巡天将在宇宙最致密区域遇到高达 50% 比例的星系图像叠加。当前的去叠加技术可能分割前景星系，同时在背景星系通量中留下缺失的像素强度。星系在其外区的弥散性质使该问题更加复杂，使得分割比传统的物体分割应用困难得多。我们提出了一种新颖的分支生成对抗网络（GAN）来去叠加重叠星系，其中两个分支生成两个去叠加星系的图像。我们表明生成模型是去叠加的强大引擎，因其具有填补被叠加遮挡的缺失像素值的固有能力。我们在去叠加时相对于真实图像保持高峰值信噪比和结构相似性分数。我们的模型还近乎瞬时预测，使其成为即将由 LSST、Euclid 和 WFIRST 等大型巡天产生的大量数据的自然选择。
引用
@article{arxiv.1810.10098,
title = {Deblending galaxy superpositions with branched generative adversarial networks},
author = {David M. Reiman and Brett E. Göhre},
journal= {arXiv preprint arXiv:1810.10098},
year = {2019}
}
备注
14 pages, 6 figures, accepted for publication in MNRAS