从 DES 到 HSC：利用迁移学习探测 Abell 194 星系团中的低表面亮度星系

低表面亮度星系（LSBGs）对于理解星系演化和宇宙学模型至关重要。即将开展的大规模巡天预计将发现大量低表面亮度星系，这需要精确的自动化或基于机器学习的方法来进行探测。我们研究了迁移学习在识别低表面亮度星系方面的应用范围。我们使用在暗能量巡天（DES）数据上训练的、分为低表面亮度星系探测 Transformer（LSBG DETR）和低表面亮度星系视觉 Transformer（LSBG ViT）两类的 Transformer 模型，从针对 Abell 194 星系团的专用 Hyper Suprime-Cam（HSC）观测数据中识别低表面亮度星系，这些 HSC 数据比 DES 深两个星等。DES 和 HSC 的数据均基于像素级表面亮度进行了标准化。我们使用两个 Transformer 集成模型来探测低表面亮度星系。随后进行单成分 Sérsic 模型拟合和最终目视检查，以滤除潜在的误报并提高样本纯度。我们展示了利用 HSC 数据在 Abell 194 星系团中发现的 171 个低表面亮度星系样本，其中包括 87 个新发现。其中，159 个是通过 Transformer 模型识别出来的，另外 12 个低表面亮度星系是通过目视检查发现的。该 Transformer 模型在未经任何微调的情况下，在 HSC 数据上达到了 93% 的真阳性率。在这些低表面亮度星系中，有 28 个被归类为超弥散星系（UDGs）。超弥散星系的数量及其径向数密度表明，在对数尺度上，超弥散星系数量与星系团质量之间存在线性关系。超弥散星系与矮星系具有相似的 Sérsic 参数，并占据 $R_{\mathrm{eff}}-M_g$ 平面的延伸端，这表明它们可能是矮星系的一个延伸子群。我们证明了，在较浅巡天数据上训练的 Transformer 模型，通过适当的数据标准化，可以成功应用于更深的巡天数据。