弱透镜质量图的噪声抑制：生成对抗网络在Subaru超主相机首年数据中的应用
宇宙学与河外天体物理
2021-08-30 v3 天体物理仪器与方法
数据分析、统计与概率
机器学习
摘要
我们提出一种基于生成对抗网络（GANs）的深度学习方法，在现实条件下降低弱透镜质量图中的噪声。我们将图像到图像的转换使用条件GANs应用于从Subaru超主相机（HSC）巡天首年数据获得的质量图。我们通过使用25000个直接包含多种观测效应的模拟HSC星表来训练条件GANs。我们利用一点概率分布函数（PDFs）研究去噪图中的非高斯信息，并对正峰值和大型星系团进行匹配分析。我们的GANs集成学习技术成功应用于重现透镜收敛的PDFs。去噪图中高度大于的峰值约在6角分分离内有大型星系团的对应体。我们表明去噪图中的PDFs不受乘性偏置和测光红移分布的细节影响，也不受形状测量误差影响，且PDFs相比含噪对应图显示出更强的宇宙学依赖性。我们将去噪方法应用于首年HSC数据的一部分，显示观测到的质量分布在统计上与标准CDM模型的预测一致。
引用
@article{arxiv.1911.12890,
title = {Noise reduction for weak lensing mass mapping: An application of generative adversarial networks to Subaru Hyper Suprime-Cam first-year data},
author = {Masato Shirasaki and Kana Moriwaki and Taira Oogi and Naoki Yoshida and Shiro Ikeda and Takahiro Nishimichi},
journal= {arXiv preprint arXiv:1911.12890},
year = {2021}
}
备注
16 pages, 17 figures, 1 table. Accepted for publication in MNRAS