从生成建模获得逼真星系图像并提升机器学习任务的鲁棒性
星系天体物理
2022-07-27 v1
摘要
我们考察生成模型生成逼真星系图像的能力。我们表明，将生成数据与原始数据混合可提升下游机器学习任务的鲁棒性。我们聚焦于三个不同数据集：解析Sérsic轮廓、来自COSMOS巡天的真实星系，以及由IllustrisTNG模拟中SKIRT代码生成的星系图像。我们利用形态学性质（如Gini系数、不对称性和椭圆度）、不同尺度上的表面亮度分布（由功率谱编码）、核球统计量和颜色在生成与源数据集分布之间的Wasserstein距离来量化各生成模型的性能。对于Sérsic、COSMOS和SKIRT数据集，平均Wasserstein距离（Fréchet Inception Distance）分别为、和，我们的最佳模型令人信服地再现了即便最复杂的星系性质，并创造出与源数据视觉上无法区分的图像。我们证明，通过用生成数据补充训练数据集，可显著提升针对域偏移和分布外数据的鲁棒性。特别地，我们训练卷积神经网络对模拟观测数据集去噪。通过将生成图像混入原始训练数据，我们在物理像素大小和背景噪声水平的域偏移方面分别获得模型性能11%和45%的提升。
引用
@article{arxiv.2203.11956,
title = {Realistic galaxy images and improved robustness in machine learning tasks from generative modelling},
author = {Benjamin J. Holzschuh and Conor M. O'Riordan and Simona Vegetti and Vicente Rodriguez-Gomez and Nils Thuerey},
journal= {arXiv preprint arXiv:2203.11956},
year = {2022}
}
备注
33 pages, 21 figures, submitted to MNRAS, comments welcome