基于条件可逆神经网络的射电观测成图重建
天体物理仪器与方法
2023-06-28 v1 图像与视频处理
摘要
在射电天文学中，从时间序列数据（TOD）重建天图这一挑战被称为逆问题。标准成图技术与网格化算法常用于解决该问题，各自具有如生成最小方差图等优点。然而，这些方法也存在局限，如成图的计算效率低与数值不稳定，以及基于网格的方法无法去除波束效应。为克服这些挑战，本研究提出一种新方案，利用条件可逆神经网络（cINN）实现高效天图重建。借助前向建模（由给定天模型与特定观测生成模拟 TOD），训练后的神经网络可生成准确的重建天图。以五百米口径球面射电望远镜（FAST）为例，cINN 在从模拟 TOD 重建地图中展现出卓越性能，在 水平下达到 的均方误差、 的结构相似性指数以及 的峰值信噪比。此外，通过在 cINN 的潜空间采样，可精确量化每个像素的重建误差。
引用
@article{arxiv.2306.09217,
title = {Map Reconstruction of radio observations with Conditional Invertible Neural Networks},
author = {Haolin Zhang and Shifan Zuo and Le Zhang},
journal= {arXiv preprint arXiv:2306.09217},
year = {2023}
}
备注
Accepted for publication in Research in Astronomy and Astrophysics (RAA); 20 pages, 10 figures