模型即信息：面向行星科学与外生物学的轻量级卷积自编码器应用于噪声图像数据
地球与行星天体物理
2025-07-16 v1 天体物理仪器与方法
机器学习
摘要
简要回顾并探讨了卷积自编码器深度学习应用于行星科学和外生物学图像数据的应用,并聚焦于理解机器学习被用于时所需的算法理由、过程和结果。成功的自编码器训练以捕获数据特征的模型构建为主,以维度缩减形式(潜在表示)呈现,可用于重建原始输入。一种应用是重建不完整或噪声数据。本文使用基线轻量级卷积自编码器用于行星图像重建或图像内衬,在存在破坏性随机噪声的情况下(即,某些图像像素返回数据为零的亮度噪声,或跨像素通道的随机加性噪声的颜色噪声)。在某些用例中,即使存在 90% 覆盖率以上且更高的随机破坏性噪声,多颜色图像重建也可用。就有意遮�挡以减少数据带宽,或在低照明水平和其他遮蔽图像数据的情形(如传感器退化或大气条件)下使用,讨论了这种能力。进一步建议,对于某些科学用例,模型的潜在空间和表示比大型原始图像数据集更有用。
引用
@article{arxiv.2507.11400,
title = {The model is the message: Lightweight convolutional autoencoders applied to noisy imaging data for planetary science and astrobiology},
author = {Caleb Scharf},
journal= {arXiv preprint arXiv:2507.11400},
year = {2025}
}
备注
28 pages, 8 figures, accepted for publication in Icarus