利用深度学习增强SDO/HMI图像
太阳与恒星天体物理
2018-06-06 v2 天体物理仪器与方法
计算机视觉与模式识别
摘要
日震和磁成像仪（HMI）提供连续谱图像和磁图，采样频率优于每分钟一次。在过去7年中，它每天24小时连续观测太阳。全盘观测与空间分辨率之间的明显权衡使得HMI不足以分析太阳大气中的最小尺度事件。我们的目标是开发一种新方法来增强HMI数据，同时对图像和磁图进行去卷积和超分辨。所得图像将模拟由直径为HMI两倍的衍射极限望远镜进行的观测。我们称为Enhance的方法基于两个深度全卷积神经网络，输入HMI观测的图像块并输出去卷积和超分辨数据。神经网络在太阳活动区浮现模拟获得的合成数据上进行训练。我们获得了去卷积和超分辨的HMI图像。为了解决这个具有无限解的非适定问题，我们使用神经网络方法从模拟中添加先验信息。我们将Enhance与降级为28厘米直径望远镜的Hinode数据进行测试，显示出非常好的一致性。代码是开源的。
引用
@article{arxiv.1706.02933,
title = {Enhancing SDO/HMI images using deep learning},
author = {C. J. Diaz Baso and A. Asensio Ramos},
journal= {arXiv preprint arXiv:1706.02933},
year = {2018}
}
备注
13 pages, 10 figures. Accepted for publication in Astronomy & Astrophysics