基于深度学习的 2D 狭缝无光谱图像红移提取：应用于 CSST 星系调查

广域狭缝无光谱星系调查（如将在中国空间站望远镜 (CSST) 上实施的调查）对于精密宇宙学至关重要，但 presents 巨大的数据分析挑战。由于光谱直接分散到探测器上，导致其与 2 维空间形貌卷积，从而复杂化波长标定并降低后续 1 维光谱提取的保真度。为克服这些限制，我们提出了基于深度学习的框架，从 2D 狭缝无光谱图像中直接提取红移，完全绕过 1D 提取。我们使用来自 HSC-SSP PDR3 的高分辨率图像和来自 DESI DR1 的光谱能分布 (SED)，构建了 CSST $GV$ 和 $GI$ 波段的真实模拟数据集。采用蒙特卡罗 dropout 实现的贝叶斯卷积神经网络用于将 2D 光谱图像映射到红移估计，同时量化不确定性。我们发现，该模型对信噪比 $\geq1$ 的源可实现 $\sigma_{\rm NMAD}=0.0104$ 的精度和均值不确定性 $\langle E / (1 + z_{{\rm true}}) \rangle=0.0155$。对于信噪比高于 3.0、5.0 和 10.0 的源，$\sigma_{\rm NMAD}$ 分别可达 0.0047、0.0037 和 0.0024，符合 CSST 狭缝无光谱调查中 BAO 研究的红移精度要求。此外，利用空间数据增强，该网络对波长标定误差具有鲁棒性。这一工作为下一代狭缝无光谱星系调查的数据分析提供了一种新型且稳健的路径。