面向类星体盘表示学习的高对比极化成像基准数据集POLARIS

在超过10,000次曝光、超过1,000,000张图像中使用最先进的高对比成像仪器（如Gemini Planet Imager、VLT/SPHERE）搜寻类星体盘，我们可以在即将到来的十年里人工智能（AI）作为寻找类地类星体成像工具的变革性工具吗？本文介绍了一个基准数据集并从极化成像表示学习的角度探索这一问题。尽管过去十年投入了大量资金，仅制造了少数几颗新类星体。现有的成像方法高度依赖对参考星进行繁琐的人工标注，这些参考星作为背景用于提取环星天体（盘或类星体）周围目标星的周边物体。我们引入的POLARIS（POlarized Light dAta for total intensity Representation learning of direct Imaging of exoplanetary Systems）数据集利用自2014年以来公开的SPHERE/IRDIS极化光档案，对参考星和环星盘图像进行分类，仅需不足10%的人工标注。我们评估了包括统计模型、生成模型和大型视觉语言模型在内的多种模型，并提供了基准性能。我们还提出了一种无监督生成表示学习框架，将这些模型整合在一起，实现了卓越的性能和增强的表示能力。据我们所知，这是首个统一降维、高质量的类星体成像数据集，在天体物理学和机器学习领域均属稀有资源。通过发布该数据集和基准，我们旨在为天体物理学家提供新工具，吸引数据科学家参与进来，以推动直接类星体成像，催化重大跨学科突破。