deep PACO：统计模型与深度学习相结合用于高对比度直接成像中的系外行星探测与表征
天体物理仪器与方法
2023-10-12 v2 图像与视频处理
数据分析、统计与概率
摘要
直接成像是天文学中用于探测和表征年轻亚恒星天体的活跃研究方向。宿主恒星与其伴星之间的极高对比度使得观测尤为困难。在此背景下，需要利用望远镜瞳孔跟踪模式记录的多幅图像相结合的后处理方法。在先前工作中，我们提出了一种数据驱动算法 PACO，利用多元高斯模型在局部捕获数据的空间相关性。PACO 比该领域的标准后处理方法具有更好的探测灵敏度与置信度。然而，由于 PACO 统计模型对随时间演化的观测的近似保真度有限，仍有改进空间。本文中，我们提出将 PACO 的统计模型与有监督深度学习相结合。数据首先经 PACO 框架预处理以改善平稳性与对比度，随后以有监督方式训练卷积神经网络（CNN）以检测合成源的残差特征。最后，训练好的网络输出探测图。探测源的测光由第二个 CNN 估计。我们将所提方法应用于来自 VLT/SPHERE 仪器的多个数据集。结果表明，其探测阶段显著优于基线方法（cADI、PCA），并与 PACO 相比对比度提升高达半个星等。所提方法的表征阶段在角分离大于 0.5" 时平均与比较算法（PCA、PACO）相当或更优。
引用
@article{arxiv.2303.02461,
title = {deep PACO: Combining statistical models with deep learning for exoplanet detection and characterization in direct imaging at high contrast},
author = {Olivier Flasseur and Théo Bodrito and Julien Mairal and Jean Ponce and Maud Langlois and Anne-Marie Lagrange},
journal= {arXiv preprint arXiv:2303.02461},
year = {2023}
}
备注
Accepted to Monthly Notices of the Royal Astronomical Society