生成对抗网络在解卷积极限之外恢复星系天体物理图像中的特征

对星系等天体物理天体的观测受到来自天空背景、望远镜光学系统以及用于记录数据的探测器的各种随机与系统噪声的限制。传统的解卷积技术受香农-奈奎斯特采样定理限制，在恢复成像数据特征方面的能力有限。在此，我们在来自斯隆数字巡天的 $0.01<z<0.02$ 红移范围内的 $4,550$ 张邻近星系图像样本上训练生成对抗网络 (GAN)，并进行 $10\times$ 交叉验证以评估结果。我们提出了一种使用在星系图像上训练的 GAN 的方法，该方法能够从人工退化的、视宁度比原始图像更差且噪声更高的图像中恢复特征，其性能远超简单解卷积。从低信噪比和低角分辨率成像数据中更好地恢复星系形态等详细特征的能力，显著增加了我们研究现有天体物理天体数据集以及未来用诸如 Large Synoptic Sky Telescope (LSST) 和哈勃与詹姆斯·韦伯空间望远镜等观测台进行观测的能力。