RADiff：用于射电天文图生成的可控扩散模型
计算机视觉与模式识别
2023-07-06 v1
摘要
随着平方公里阵列（SKA）接近完工，对准确可靠的自动化解决方案的需求日益增长，以从其将能获取的海量数据中提取有价值的信息。在此背景下，自动化源搜寻是一项尤为重要的任务，因为它能够实现天文目标的检测与分类。基于深度学习的物体检测与语义分割模型已被证明适用于此目的。然而，训练此类深度网络需要大量标注数据，而在射电天文学领域获取这类数据并非易事。由于数据需由专家手动标注，该过程难以扩展到大规模数据集，限制了利用深度网络处理多项任务的可能性。在本工作中，我们提出 RADiff，一种基于条件扩散模型的生成方法，在标注射电数据集上训练，以生成包含不同形态射电源的合成图像，从而扩充现有数据集并缓解类别不平衡所带来的问题。我们还展示了生成完全合成的图像-标注对以自动扩充任何标注数据集的可能性。我们通过在一个真实数据集上以两种方式扩充来训练语义分割模型，评估了该方法的的有效性：1）使用由真实掩码获得的合成图像，2）由合成语义掩码生成图像。我们展示了应用扩充后性能的提升，在使用真实掩码时性能提升高达 18%，在使用合成掩码扩充时提升 4%。最后，我们利用该模型生成大规模射电天图，以模拟数据挑战赛。
引用
@article{arxiv.2307.02392,
title = {RADiff: Controllable Diffusion Models for Radio Astronomical Maps Generation},
author = {Renato Sortino and Thomas Cecconello and Andrea DeMarco and Giuseppe Fiameni and Andrea Pilzer and Andrew M. Hopkins and Daniel Magro and Simone Riggi and Eva Sciacca and Adriano Ingallinera and Cristobal Bordiu and Filomena Bufano and Concetto Spampinato},
journal= {arXiv preprint arXiv:2307.02392},
year = {2023}
}