StrCGAN：用于恒星图像恢复的生成框架
计算机视觉与模式识别
2025-11-26 v3 天体物理仪器与方法
太阳与恒星天体物理
摘要
我们提出 StrCGAN（Stellar Cyclic GAN），一种用于增强低分辨率天体摄影图像的生成模型。我们的目标是重建高保真度的恒星物体真实表示，这一任务因小型望远镜观测（如 MobilTelesco 数据集）的分辨率和质量有限而具有挑战性。传统的 CycleGAN 等模型为图像到图像转换提供了基础，但往往会扭曲恒星的形态并产生相似度极低的图像。为克服这些局限，我们在 CycleGAN 框架上进行了多项关键扩展：多光谱融合以对齐光学和近红外（NIR）域，以及天体物理正则化模块以保持恒星形态。来自覆盖光学到近红外波段的多任务全天巡天的真实参考数据指导训练过程，确保重建结果在各光谱波段间保持一致。这些组件共同使 StrCGAN 能够生成视觉上更清晰的重建图像，在天体物理图像增强任务中优于标准 GAN 模型。
引用
@article{arxiv.2509.19805,
title = {StrCGAN: A Generative Framework for Stellar Image Restoration},
author = {Shantanusinh Parmar and Silas Janke},
journal= {arXiv preprint arXiv:2509.19805},
year = {2025}
}