考虑模型不确定性的 R2D2 射电天文学图像重建
天体物理仪器与方法
2024-05-28 v2 机器学习
图像与视频处理
信号处理
摘要
“残差-残差深度神经网络序列”（R2D2）方法最近用于射电干涉测量（RI）天文学图像重建。R2D2 的重建过程表现为一系列残差图像，这些图像依次通过深度神经网络（DNN）估计，其输入为前一次迭代的图像估计及其相关数据残差。本文研究了 R2D2 图像估计过程的鲁棒性，通过研究其所学习模型系列的不确定性。采用集合平均方法，可在每次训练的不同随机 DNN 初始化下训练多个序列，从而产生多个 R2D2 实例。这些实例可用于生成“R2D2 样本”，从而经验均值与标准差赋予算法联合估计与不确定性量化功能。本文聚焦于 RI 图像重建，采用面向望远镜的特定方法，对 VLA（Very Large Array）最一般的观测设置训练多个 R2D2 实例。仿真与实际数据实验表明：（i）R2D2 的图像重建能力优于当前最先进的算法；（ii）其超快重建能力（仅由少数 DNNs 组成的序列）使得在大尺寸图像下计算多个重建样本与不确定性图的计算成本实际可行；（iii）其具有极低的模型不确定性。
引用
@article{arxiv.2403.18052,
title = {R2D2 image reconstruction with model uncertainty quantification in radio astronomy},
author = {Amir Aghabiglou and Chung San Chu and Arwa Dabbech and Yves Wiaux},
journal= {arXiv preprint arXiv:2403.18052},
year = {2024}
}
备注
Accepted to IEEE EUSIPCO 2024