利用循环推断机对引力透镜系统中前景密度与背景面亮度的像素化重建
天体物理仪器与方法
2023-07-05 v2 计算机视觉与模式识别
摘要
对强引力透镜进行建模以量化背景源图像的畸变并重建前景透镜中的质量密度,一直是一项困难的计算挑战。随着引力透镜图像质量的提高,充分利用其所含信息的任务在计算和算法上变得更加困难。在这项工作中,我们使用基于循环推断机(RIM)的神经网络,同时以像素化地图的形式重建未畸变的背景源图像和透镜质量密度分布。该方法通过物理模型(光线追踪模拟)在给定数据下学习优化似然的过程,并由神经网络通过其训练数据隐式学习的先验正则化,迭代地重建模型参数(源图像和像素化密度图)。与更传统的参数化模型相比,所提方法具有显著更强的表达能力,能够重建复杂的质量分布,我们使用取自IllustrisTNG宇宙学流体动力学模拟的真实透镜星系证明了这一点。
引用
@article{arxiv.2301.04168,
title = {Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines},
author = {Alexandre Adam and Laurence Perreault-Levasseur and Yashar Hezaveh and Max Welling},
journal= {arXiv preprint arXiv:2301.04168},
year = {2023}
}
备注
13+7 pages, 13 figures; Accepted by The Astrophysical Journal. arXiv admin note: text overlap with arXiv:2207.01073