基于条件去噪扩散模型的射电天文图像重建

从脏图（dirty images）中重建天空模型以实现精确的源定位和流量估计，对于研究高红移处的星系演化至关重要，特别是在使用阿塔卡马大型毫米波阵列（ALMA）等仪器进行深场观测时。随着平方公里阵列（SKA）等新项目的推进，对更好的源提取方法的需求日益增长。当前的技术（如 CLEAN 和 PyBDSF）往往无法探测到微弱源，凸显了对更精确方法的需求。本研究提出使用随机神经网络直接从脏图重建天空模型。该方法能够 pinpoint 射电源并测量其流量及相关不确定性，标志着射电源表征方面的潜在改进。我们在基于 ALMA 第 5.3 周期天线设置、使用 CASA 工具 simalma 模拟的 10164 张图像上测试了该方法。我们应用条件去噪扩散概率模型（DDPMs）进行天空模型重建，然后使用 Photutils 确定源坐标和流量，并评估了模型在不同水汽水平下的性能。我们的方法在源定位方面表现出色，在信噪比（SNR）低至 2 时实现了超过 90% 的完备率。在流量估计方面也超越了 PyBDSF，准确识别了测试集中 96% 源的流量，显著优于 CLEAN+ PyBDSF 的 57%。条件 DDPMs 是一种强大的图像到图像翻译工具，能够产生准确且稳健的射电源表征，并优于现有方法。虽然本研究强调了其在射电天文学应用中的巨大潜力，但我们也承认其使用伴随的某些局限性，并提出了进一步改进和研究的方向。