論文の概要: Point Spread Function Estimation for Wide Field Small Aperture
Telescopes with Deep Neural Networks and Calibration Data
- arxiv url: http://arxiv.org/abs/2011.10243v2
- Date: Tue, 18 May 2021 11:48:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 06:52:40.779402
- Title: Point Spread Function Estimation for Wide Field Small Aperture
Telescopes with Deep Neural Networks and Calibration Data
- Title（参考訳）: 深部ニューラルネットワークと校正データを用いた広視野小開口望遠鏡の点展開関数推定
- Authors: Peng Jia, Xuebo Wu, Zhengyang Li, Bo Li, Weihua Wang, Qiang Liu, Adam
Popowicz
- Abstract要約: 点拡散関数 (PSF) は望遠鏡の状態を反映する。
視界全体の任意の位置におけるPSFの推定は、光学系によって誘導される収差が非常に複雑であるため困難である。
我々は、さらにディープニューラルネットワーク(DNN)に基づくPSFモデリング法を開発し、そのPSF推定への応用を示す。
- 参考スコア（独自算出の注目度）: 11.909250072362264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The point spread function (PSF) reflects states of a telescope and plays an
important role in development of data processing methods, such as PSF based
astrometry, photometry and image restoration. However, for wide field small
aperture telescopes (WFSATs), estimating PSF in any position of the whole field
of view is hard, because aberrations induced by the optical system are quite
complex and the signal to noise ratio of star images is often too low for PSF
estimation. In this paper, we further develop our deep neural network (DNN)
based PSF modelling method and show its applications in PSF estimation. During
the telescope alignment and testing stage, our method collects system
calibration data through modification of optical elements within engineering
tolerances (tilting and decentering). Then we use these data to train a DNN
(Tel--Net). After training, the Tel--Net can estimate PSF in any field of view
from several discretely sampled star images. We use both simulated and
experimental data to test performance of our method. The results show that the
Tel--Net can successfully reconstruct PSFs of WFSATs of any states and in any
positions of the FoV. Its results are significantly more precise than results
obtained by the compared classic method - Inverse Distance Weight (IDW)
interpolation. Our method provides foundations for developing of deep neural
network based data processing methods for WFSATs, which require strong prior
information of PSFs.
- Abstract（参考訳）: 点拡散関数(PSF)は望遠鏡の状態を反映し、PSFベースのアストロメトリー、測光、画像復元などのデータ処理手法の発展に重要な役割を果たしている。
しかし、広視野小型開口望遠鏡(WFSAT)では、光学系によって誘導される収差が非常に複雑であり、恒星画像の信号対雑音比が低すぎるため、視野全体の位置でPSFを推定するのは困難である。
本稿では,より深いニューラルネットワーク(DNN)に基づくPSFモデリング法を開発し,そのPSF推定への応用を示す。
望遠鏡アライメントとテストの段階では、光学素子を工学的許容範囲(傾きとまともさ)で修正することで、システムキャリブレーションデータを収集する。
次に、これらのデータを用いてDNN(Tel-Net)を訓練する。訓練後、Tel-Netは、複数の離散サンプリングされた星画像から任意の視野でPSFを推定できる。
本手法の性能評価にはシミュレーションデータと実験データの両方を用いた。
その結果,Tel-Netはどの状態でもFoVの任意の位置でもWFSATのPSFを再構築できることがわかった。
比較した古典的手法である逆距離重み (IDW) の補間結果よりも, はるかに精度が高い。
提案手法は,PSFの強い事前情報を必要とするWFSATのためのディープニューラルネットワークに基づくデータ処理手法の開発の基礎となる。
関連論文リスト
- Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。
まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。
大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文 参考訳（メタデータ） (2024-04-05T17:55:33Z) - PI-AstroDeconv: A Physics-Informed Unsupervised Learning Method for
Astronomical Image Deconvolution [10.065997984277605]
本稿では、事前の物理情報を含む教師なしネットワークアーキテクチャを提案する。
ネットワークは、望遠鏡のPSFを事前の知識として活用しながら、エンコーダ・デコーダ構造を採用する。
論文 参考訳（メタデータ） (2024-03-04T02:52:29Z) - Perception of Misalignment States for Sky Survey Telescopes with the
Digital Twin and the Deep Neural Networks [16.245776159991294]
本研究では,異なる視野で連続的に変化する点拡散関数から,不整合状態を抽出するディープニューラルネットワークを提案する。
我々は、不整合データを格納し、不整合状態と対応する点拡散関数の間の複雑な関係を探索する。
この方法は、アクティブ光学系と光学系アライメントの事前情報を提供するために使用できる。
論文 参考訳（メタデータ） (2023-11-30T03:16:27Z) - Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - Rethinking data-driven point spread function modeling with a
differentiable optical model [0.19947949439280027]
天文学において、広視野光学機器を持つ近日宇宙望遠鏡は、空間的に異なる点拡散関数(PSF)を持つ。
現在のデータ駆動型PSFモデルは空間変動や超解像に対処できるが、色の変化を捉えることはできない。
モデリングフレームワークに微分可能な光フォワードモデルを追加することにより、データ駆動モデリング空間をピクセルからウェーブフロントに変更する。
論文 参考訳（メタデータ） (2022-03-09T17:39:18Z) - Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。
提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
論文 参考訳（メタデータ） (2021-12-02T18:59:51Z) - Spatially-Variant CNN-based Point Spread Function Estimation for Blind
Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。
畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。
本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
論文 参考訳（メタデータ） (2020-10-08T14:20:16Z) - Neural Ray Surfaces for Self-Supervised Learning of Depth and Ego-motion [51.19260542887099]
カメラモデルの事前知識を必要とせずに、自己超越を用いて正確な深度とエゴモーション推定を学習できることが示される。
Grossberg と Nayar の幾何学モデルにインスパイアされた我々は、ピクセルワイド射影線を表す畳み込みネットワークである Neural Ray Surfaces (NRS) を導入する。
本研究では,多種多様なカメラシステムを用いて得られた生ビデオから,視覚計測の自己教師付き学習と深度推定にNRSを用いることを実証する。
論文 参考訳（メタデータ） (2020-08-15T02:29:13Z) - Light Field Spatial Super-resolution via Deep Combinatorial Geometry
Embedding and Structural Consistency Regularization [99.96632216070718]
ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。
LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。
本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-05T14:39:57Z) - Single Image Depth Estimation Trained via Depth from Defocus Cues [105.67073923825842]
単一のRGB画像から深度を推定することはコンピュータビジョンの基本的な課題である。
この作業では、異なる視点ではなく、フォーカスキューからの奥行きに依存しています。
我々は,KITTIとMake3Dデータセットの教師あり手法と同等な結果を提示し,教師なし学習手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-01-14T20:22:54Z) - Learning Wavefront Coding for Extended Depth of Field Imaging [4.199844472131922]
拡張深度画像(EDoF)は難題である。
回折光学素子による波面符号化を応用したEDoFの計算画像化手法を提案する。
深部3Dシーンやブロードバンド画像など,さまざまなシナリオにおいて,最小限の成果が得られた。
論文 参考訳（メタデータ） (2019-12-31T17:00:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。