用深度生成网络求解能谱分布的反问题
天体物理仪器与方法
2020-12-14 v1 机器学习
摘要
我们提出一种端到端方法，用于求解一类复杂天文信号即能谱分布（SEDs）的反问题。我们的目标是从稀缺和/或不可靠的测量中重建此类信号。我们通过利用以深度生成网络形式学习到的结构先验来实现这一点。类似方法几乎仅在图像上进行了测试，图像展现出被隐式利用的有用性质（例如局部性、周期性）。然而，SEDs缺乏此类性质，使问题更具挑战性。我们借助以显著更少且含噪数据训练的生成潜优化模型，成功将方法扩展至SEDs。
引用
@article{arxiv.2012.06331,
title = {Solving Inverse Problems for Spectral Energy Distributions with Deep Generative Networks},
author = {Agapi Rissaki and Orestis Pavlou and Dimitris Fotakis and Vicky Papadopoulou and Andreas Efstathiou},
journal= {arXiv preprint arXiv:2012.06331},
year = {2020}
}
备注
Accepted to NeurIPS 2020 Workshop on Machine Learning and the Physical Sciences