FLARE增强你的数据：天文成像中基于扩散的增强方法
计算机视觉与模式识别
2024-05-24 v1
摘要
天文学与人工智能的交叉领域遇到了重大挑战，包括噪声背景、较低分辨率（LR）以及从像詹姆斯·韦伯这样的先进望远镜中过滤和存档图像的复杂过程。考虑到原始图像在特征空间中的分散性，我们提出了一个名为FLARE的两阶段增强框架，基于特征学习和增强分辨率提升。我们首先应用从低分辨率（LR）到高分辨率（HR）的转换，然后进行标准增强。其次，我们集成了一种扩散方法，使用类连接提示来合成生成样本。通过使用加权百分位数合并这两个阶段，我们重新对齐了特征空间分布，使分类模型能够建立清晰的决策边界，并在各种域内和域外任务上实现卓越的泛化。我们在几个下游宇宙数据集和我们最优分布的SpaceNet数据集上进行了实验，涵盖8类细粒度和4类宏分类任务。与类似基线相比，FLARE在细粒度任务上实现了最高20.78%的性能提升，而在不同分类模型上，FLARE平均一致提升+15%。这一结果强调了FLARE方法在增强图像分类精度方面的有效性，最终提高了天文学研究成果的可靠性。
引用
@article{arxiv.2405.13267,
title = {FLARE up your data: Diffusion-based Augmentation Method in Astronomical Imaging},
author = {Mohammed Talha Alam and Raza Imam and Mohsen Guizani and Fakhri Karray},
journal= {arXiv preprint arXiv:2405.13267},
year = {2024}
}
备注
15 pages main paper (including references), 3 pages supplementary material. Our code and SpaceNet dataset is available at https://github.com/Razaimam45/PlanetX_Dxb