用于星系图像概率去卷积的扩散模型
天体物理仪器与方法
2023-07-24 v1 机器学习
应用统计
摘要
望远镜捕获具有特定点扩散函数 (PSF) 的图像。推断图像在更锐利 PSF 下的样貌（称为 PSF 去卷积的问题）是不适定的，因为 PSF 卷积不是可逆变换。深度生成模型对 PSF 去卷积具有吸引力，因为它们可以推断候选图像上的后验分布，这些图像若与 PSF 卷积本可生成观测结果。然而，诸如 VAE 和 GAN 之类的经典深度生成模型常提供不足的采样多样性。作为替代，我们提出了一种用于星系图像 PSF 去卷积的无分类器条件扩散模型。我们证明该扩散模型相比条件 VAE 捕获了更丰富的可能去卷积多样性。
引用
@article{arxiv.2307.11122,
title = {Diffusion Models for Probabilistic Deconvolution of Galaxy Images},
author = {Zhiwei Xue and Yuhang Li and Yash Patel and Jeffrey Regier},
journal= {arXiv preprint arXiv:2307.11122},
year = {2023}
}
备注
Accepted to the ICML 2023 Workshop on Machine Learning for Astrophysics