DIPLI：针对盲目天文图像恢复的深度图像先验幸运成像
计算机视觉与模式识别
2026-05-05 v3 天体物理仪器与方法
人工智能
图像与视频处理
摘要
现代图像恢复和超分辨方法依赖深度学习，因其在性能上优于传统算法。然而，深度学习通常需要大量标注训练数据，而天文摄影中很少获得此类数据。深度图像先验(DIP)通过在单个图像上进行无监督优化，绕开了此限制；但DIP常因过拟合、产生人工物和不稳定性而受限。本文提出DIPLI——一个专为解析性强、对比度高的天文目标设计的框架，其方法从单帧转为多帧处理，采用反投影技术，结合基于TVNet模型的稠密光流估计，并将确定性预测替换为通过随机梯度朗兰达动力学(SGLD)获得的蒙特卡洛估计。对该方法进行全面评估，将其与原始DIP、基于Transformer的模型RVRT以及基于扩散的模型DiffIR2VR-Zero在具有真实值的合成数据上进行比较；同时在真实天文数据上的Lucky成像进行定性比较。在合成数据集上，DIPLI在12/12的LPIPS和10/12的DISTS情景中实现最佳感知保真度得分；而基于扩散的DiffIR2VR-Zero在9/12的PSNR和8/12的SSIM情景中获得最佳像素级失真得分，这与图像恢复中著名的感知-失真权衡相一致。与经典Lucky成像相比，该模型所需的输入帧数更少（7-13帧而非数千帧），且无需早停，避免了标准DIP的局限。针对解析性太阳系天体的真实数据进行定性评估——在此类数据中缺乏真实值且领域偏移通常阻碍泛化——表明该方法在保留细节的同时能抑制噪声和人工物。
引用
@article{arxiv.2503.15984,
title = {DIPLI: Deep Image Prior Lucky Imaging for Blind Astronomical Image Restoration},
author = {Suraj Singh and Anastasia Batsheva and Oleg Y. Rogov and Ahmed Bouridane},
journal= {arXiv preprint arXiv:2503.15984},
year = {2026}
}
备注
14 pages, 7 figures, 1 table