识别 VLBI 与 STIX 成像之间的协同效应

从稀疏采样的傅里叶数据重建图像是一个病态逆问题，出现在科学领域的多种学科中，包括甚长基线干涉测量（VLBI）的数据分析以及用于太阳观测的 X 射线成像光谱仪/望远镜（STIX）。尽管新型成像算法正在并行开发，但协同效应仍未被探索。我们研究了 STIX 仪器与 VLBI 数据分析之间的协同效应，比较了方法论并评估了其潜力。通过这种方式，我们识别了若干算法思路性能的关键趋势，并提出了未来建议。为此，我们组织了一场半盲成像挑战赛，使用了典型的稀疏 VLBI 数据集和源结构（特别是在事件视界望远镜 EHT 背景下）以及 STIX 观测数据。来自两个社区的 17 种不同算法（源自 6 个不同的成像框架）参与了此次挑战，标志着这是迄今为止针对 STIX 和 VLBI 最大规模的代码比对。已确定两个社区之间存在强烈的协同效应，STIX 提出的成像方法在成像 VLBI 数据集上的成功以及反之亦然证明了这一点。在所有测试案例中，新型成像方法均显著优于标准的 CLEAN 算法。相对于 CLEAN 性能的改进使得有必要对逆建模流程进行更深层次的更新，或者 consequently 用前向建模取代逆建模。基于熵的方法和贝叶斯方法在 STIX 数据上表现最佳。利用多个正则化项的更复杂成像算法（最近为 VLBI 提出）对 STIX 几乎没有带来额外改进，但在 EHT 数据上优于其他方法。本工作展示了 STIX 与 VLBI 成像工作之间的巨大协同效应以及共同开发的巨大潜力。