基于深度学习的重叠稀疏图像分解：在中微子相互作用顶点的应用

图像分解在各种计算机视觉任务中起着关键作用，能够在基础层面分析和处理视觉内容。重叠图像（即多个物体或场景部分相互遮挡时出现的图像）对分解算法提出了独特挑战。当处理稀疏图像时，这一任务更加艰巨，因为有意义信息的匮乏使分量的精确提取复杂化。本文提出一种利用深度学习强大能力在多维重叠稀疏图像中准确提取单个物体的解决方案，其直接应用于高能物理中由成像探测器获得的叠加基本粒子的分解。具体而言，所提方法解决了一个高度复杂且尚未解决的问题：在中微子相互作用顶点识别和测量独立粒子，此处预期观测到包含多个难以分辨的重叠带电粒子的探测器图像。通过深度学习分解顶点处探测器活动的图像，可以推断所识别低动量粒子的运动学参数——否则这些参数将被忽略——并提升中微子事件重建的能量分辨率。我们还提出了额外一步——可直接在探测器数据上调优——将上述方法与全可微生成模型结合，以进一步改善图像分解，进而提高被测参数的分辨率，取得前所未有的结果。这一改进对于精确测量支配中微子味振荡的参数以及搜寻物质与反物质间的不对称性至关重要。