基于生成对抗网络的全日面太阳观测图像质量评估
太阳与恒星天体物理
2020-11-11 v1 天体物理仪器与方法
摘要
为保证所记录图像序列稳定且质量足以用于进一步科学分析，需要一种客观的图像质量度量。尤其在处理受多变视宁度与云层影响的地基观测时，质量评估必须考虑多种效应并提供受影响区域的信息。在本研究中，我们开发了一种深度学习方法，适用于识别异常并对全日面太阳H滤光图进行图像质量评估。该方法基于高质量观测的结构外观与真实图像分布。我们采用带有编码器—解码器架构的神经网络对所选高质量观测执行恒等变换。编码器网络用于获得输入数据的压缩表示，并由解码器重建至原始。我们利用对抗训练基于高质量图像分布恢复被截断的信息。当变换质量下降的图像时，未知特征（如云、 contrail、部分遮挡）的重建会偏离原始图像。该差异被用于量化观测质量并识别受影响区域。我们将方法应用于Kanzelhöhe天文台2012—2019年记录的全日面H滤光图，证明了其无需参考观测即可在各种大气条件与仪器效应下执行可靠图像质量评估的能力。我们的质量度量在区分具有质量退化效应的观测与清晰观测时达到98.5%的准确率，并提供与人的感知高度一致的连续质量度量。
引用
@article{arxiv.2008.12030,
title = {Image Quality Assessment for Full-Disk Solar Observations with Generative Adversarial Networks},
author = {Robert Jarolim and Astrid Veronig and Werner Pötzi and Tatiana Podladchikova},
journal= {arXiv preprint arXiv:2008.12030},
year = {2020}
}