基于深度学习的光谱去卷积：消除光谱 PSF 展宽效应

我们探索了从以下仪器数据恢复原始光谱线轮廓的新方法：这些仪器以扩展或多峰光谱透射轮廓对光谱线轮廓进行采样。这些技术在来自大熊太阳天文台 Fast Imaging Solar Spectrograph (FISS) 光栅光谱仪和 Dunn 太阳望远镜 Interferometric Bidimensional Spectrometer (IBIS) 仪器的高空间分辨率数据上进行了测试。该方法稳健地对宽光谱透射轮廓进行去卷积，其视场采样了多种太阳结构（米粒组织、谱斑和孔隙），测光精度优于 1%。方法的结果与保真度在采用若干不同光谱分辨率模式获取的 IBIS 数据上进行了检验。该方法基于卷积神经网络（CNN），速度极快，在 CPU 上对具有 40 个波长采样点的光谱每秒可执行约 $10^5$ 次去卷积，在 NVIDIA TITAN RTX GPU 上每秒可执行 $10^6$ 次去卷积。该方法适用于对具有宽光谱透射轮廓的仪器（如 DKI 太阳望远镜（DKIST）上的 Visible Tunable Filter (VTF)）的大量数据进行去卷积。我们还通过恢复由理论多峰光谱透射轮廓获取的光谱线轮廓，研究了其在未来仪器上的应用。我们进一步通过对原始数据与多路复用数据维数的分析，讨论了该去卷积方法的局限性。