用于射电天文学快速高精度成像的 R2D2 深度神经网络系列范式

射电干涉 (RI) 成像涉及从大量数据中解决高分辨率、高动态范围的逆问题。最近基于优化理论的图像重建技术在成像精度方面展示了非凡的能力，远超 CLEAN 算法的能力。这些技术范围从由手工设计的正则化算子（如 SARA 系列）驱动的高级近端算法，到由学习到的正则化去噪器（如 AIRI）驱动的混合即插即用 (PnP) 算法。然而，优化和 PnP 结构具有高度迭代性，这阻碍了它们处理未来仪器预期的极端数据规模的能力。为应对这一可扩展性挑战，我们引入了一种名为“用于高动态范围成像的残差至残差 DNN 系列” (R2D2) 的新型深度学习方法。R2D2 的重建形式为一系列残差图像，这些图像作为深度神经网络 (DNN) 的输出被迭代估计，其输入为前一次迭代的图像估计值及相关数据残差。因此，它采取了一种介于 PnP 算法与作为 CLEAN 基础的匹配追踪算法的学习版本之间的混合结构。我们对本方法进行了全面研究，展示了其由不同 DNN 架构区分的多种变体。我们详细描述了其训练过程，旨在实现针对特定望远镜的方法。仿真结果证明了 R2D2 在各种图像和观测设置下（使用甚大阵列 VLA）提供高精度的能力。其重建速度也得到了证实：仅需少数几次迭代即可清理动态范围高达 100000 的数据残差，R2D2 开启了快速高精度成像的大门。R2D2 代码可在 GitHub 上的 BASPLib 库中获取。