赫歇尔成像的超分辨：基于深度神经网络的概念验证
星系天体物理
2021-09-23 v3 宇宙学与河外天体物理
天体物理仪器与方法
摘要
在过去的十年中，大视场亚毫米波巡天推动了星系演化领域的许多重大进展，但缺乏广泛的后随观测使得这些巡天的粗糙角分辨率限制了科学利用。这促使了各种解析反卷积方法的发展。在近五年中，生成对抗网络（GAN）已被尝试用于光学数据的反卷积。在此，我们提出一种带有新颖损失函数的自编码器，以克服亚毫米波长范围内的这一问题。该方法在赫歇尔SPIRE 500m COSMOS数据上成功演示，超分辨目标为同一视场的JCMT SCUBA-2 450m观测。我们利用该自编码器以高保真度重现了JCMT SCUBA-2图像。这通过点源流量与位置、完备度以及纯度进行了量化。
引用
@article{arxiv.2102.06222,
title = {Super-resolving Herschel imaging: a proof of concept using Deep Neural Networks},
author = {Lynge Lauritsen and Hugh Dickinson and Jane Bromley and Stephen Serjeant and Chen-Fatt Lim and Zhen-Kai Gao and Wei-Hao Wang},
journal= {arXiv preprint arXiv:2102.06222},
year = {2021}
}
备注
Published by MNRAS in Volume 507 issue 1 October 2021, 12 pages, 7 figures. https://doi.org/10.1093/mnras/stab2195