使用深度学习提升 GONG 太阳图像分辨率至 GST 质量
计算机视觉与模式识别
2025-10-09 v1 人工智能
摘要
高分辨率（HR）太阳成像对于捕捉纺毛等细小尺度动态特征至关重要。然而,全盘 H 图像的空间分辨率受限,不足以解决这些小尺度结构。为此,我们提出一种基于生成对抗网络（GAN）的超分辨率方法,将来自 Global Oscillation Network Group（GONG）的低分辨率（LR）全盘 H 图像提升至与 Big Bear Solar Observatory/Goode Solar Telescope（BBSO/GST）HR 观测相当的质量。我们采用 Real-ESRGAN 带残差-残差稠密块和相对鉴别器。我们仔细对齐 GONG-GST 配对。该模型有效恢复日冕笔状区的细节,并解决纺毛和纤维的细节,实现平均均方误差（MSE）为 467.15,均方根误差（RMSE）为 21.59,交叉相关（CC）为 0.7794。配对图像之间的轻微错位限制了定量性能,我们计划在未来工作中 addressing this issue along with dataset expansion to further improve reconstruction quality.
引用
@article{arxiv.2510.06281,
title = {Improving the Spatial Resolution of GONG Solar Images to GST Quality Using Deep Learning},
author = {Chenyang Li and Qin Li and Haimin Wang and Bo Shen},
journal= {arXiv preprint arXiv:2510.06281},
year = {2025}
}
备注
5 pages; accepted as a workshop paper in ICDM 2025