論文の概要: Rethinking data-driven point spread function modeling with a
differentiable optical model
- arxiv url: http://arxiv.org/abs/2203.04908v1
- Date: Wed, 9 Mar 2022 17:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 16:10:18.981534
- Title: Rethinking data-driven point spread function modeling with a
differentiable optical model
- Title（参考訳）: 微分可能光モデルによるデータ駆動点拡散関数モデリングの再考
- Authors: Tobias Liaudat, Jean-Luc Starck, Martin Kilbinger, Pierre-Antoine
Frugier
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19947949439280027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In astronomy, upcoming space telescopes with wide-field optical instruments
have a spatially varying point spread function (PSF). Certain scientific goals
require a high-fidelity estimation of the PSF at target positions where no
direct measurement of the PSF is provided. Even though observations of the PSF
are available at some positions of the field of view (FOV), they are
undersampled, noisy, and integrated in wavelength in the instrument's passband.
PSF modeling requires building a model from these observations that can infer a
super-resolved PSF at any wavelength and any position in the FOV. Current
data-driven PSF models can tackle spatial variations and super-resolution, but
are not capable of capturing chromatic variations. Our model, coined WaveDiff,
proposes a paradigm shift in the data-driven modeling of the point spread
function field of telescopes. By adding a differentiable optical forward model
into the modeling framework, we change the data-driven modeling space from the
pixels to the wavefront. The proposed model relies on efficient automatic
differentiation technology as well as modern stochastic first-order
optimization techniques recently developed by the thriving machine-learning
community. Our framework paves the way to building powerful models that are
physically motivated and do not require special calibration data. This paper
demonstrates the WaveDiff model on a simplified setting of a space telescope.
The proposed framework represents a performance breakthrough with respect to
existing data-driven approaches. The pixel reconstruction errors decrease
6-fold at observation resolution and 44-fold for a 3x super-resolution. The
ellipticity errors are reduced by a factor of at least 20 and the size error by
a factor of more than 250. By only using noisy broad-band in-focus
observations, we successfully capture the PSF chromatic variations due to
diffraction.
- Abstract（参考訳）: 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。
ある科学的目標は、PSFの直接測定が提供されていないターゲット位置でのPSFの高忠実度推定を必要とする。
PSFの観測は視野(FOV)のどこかの位置で可能であるが、それらはアンダーサンプリングされ、ノイズがあり、楽器の通過帯域の波長に統合されている。
PSFモデリングでは、これらの観測から、どんな波長でもFOV内の任意の位置でも超解像PSFを推測できるモデルを構築する必要がある。
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。
我々のモデルはWaveDiffと呼ばれ、望遠鏡の点拡散関数場のデータ駆動モデリングにおけるパラダイムシフトを提案する。
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。
提案モデルは,機械学習コミュニティが最近開発した,効率的な自動微分技術と,最新の確率的一階最適化技術に依存している。
我々のフレームワークは、物理的に動機づけられ、特別なキャリブレーションデータを必要としない強力なモデルを構築するための道を開く。
本稿では,宇宙望遠鏡の簡易設定におけるWaveDiffモデルについて述べる。
提案するフレームワークは,既存のデータ駆動アプローチに対するパフォーマンスのブレークスルーを表している。
画素再構成誤差は観測解像度で6倍、超解像度で44倍減少する。
楕円性誤差を少なくとも20の係数で減少させ、サイズ誤差を250以上の係数で減少させる。
ノイズの多い広帯域インフォーカス観測のみを用いることで、回折によるPSF色変化を捉えることができた。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。
我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
論文 参考訳（メタデータ） (2024-01-16T06:19:18Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Point spread function modelling for astronomical telescopes: a review
focused on weak gravitational lensing studies [2.967246997200238]
ポイントスプレッド関数(PSF)の正確なモデリングは、天文学的な観測において最も重要である。
本稿では,より物理的に高強度なPSFモデリングに必要な光学的背景を紹介する。
我々は,光学・検出器レベルのコントリビュータや大気など,PSFの様々な物理的コントリビュータについて概説する。
論文 参考訳（メタデータ） (2023-06-12T19:01:50Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Rethinking the modeling of the instrumental response of telescopes with
a differentiable optical model [0.0]
本稿では、望遠鏡の機器応答場のデータ駆動モデリングにおけるパラダイムシフトを提案する。
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。
我々のフレームワークは、物理的に動機づけられ、解釈可能で、特別なキャリブレーションデータを必要としない強力なモデルを構築するための前進を可能にします。
論文 参考訳（メタデータ） (2021-11-24T15:24:06Z) - Learning High-Dimensional Distributions with Latent Neural Fokker-Planck
Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。
提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文 参考訳（メタデータ） (2021-05-10T17:42:01Z) - Point Spread Function Estimation for Wide Field Small Aperture
Telescopes with Deep Neural Networks and Calibration Data [11.909250072362264]
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。
論文 参考訳（メタデータ） (2020-11-20T07:26:02Z) - Learning to Model and Calibrate Optics via a Differentiable Wave Optics
Simulator [27.913052825303097]
実蛍光顕微鏡の微分可能計算モデルを構築するための学習に基づく新しい手法を提案する。
我々のモデルは、データサンプルから直接実際の光学装置を校正し、所望の入出力データを指定することで、ポイントスプレッド機能を構築するために使用できる。
論文 参考訳（メタデータ） (2020-05-18T10:23:04Z) - Point Spread Function Modelling for Wide Field Small Aperture Telescopes
with a Denoising Autoencoder [2.760522772828377]
本稿では,広視野小型開口望遠鏡の点拡散関数をモデル化するために,ディープニューラルネットワークの一種であるデノナイジングオートエンコーダを提案する。
デノナイジングオートエンコーダは、実観測データや数値シミュレーション結果のキャリブレーションデータをポイントスプレッド関数テンプレートとして利用する純粋データベースのポイントスプレッド関数モデリング手法である。
訓練後、デノナイジングオートエンコーダは点拡散関数の多様体空間を学習し、広い視野の小さな開口望遠鏡で得られた星画像をその点拡散関数に直接マッピングすることができる。
論文 参考訳（メタデータ） (2020-01-31T09:00:08Z)
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。