論文の概要: Point spread function modelling for astronomical telescopes: a review
focused on weak gravitational lensing studies
- arxiv url: http://arxiv.org/abs/2306.07996v3
- Date: Fri, 22 Sep 2023 14:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 18:33:35.112558
- Title: Point spread function modelling for astronomical telescopes: a review
focused on weak gravitational lensing studies
- Title（参考訳）: 天文望遠鏡のための点拡散関数モデリング--弱い重力レンズ研究を中心に
- Authors: Tobias Liaudat and Jean-Luc Starck and Martin Kilbinger
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.967246997200238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate modelling of the Point Spread Function (PSF) is of paramount
importance in astronomical observations, as it allows for the correction of
distortions and blurring caused by the telescope and atmosphere. PSF modelling
is crucial for accurately measuring celestial objects' properties. The last
decades brought us a steady increase in the power and complexity of
astronomical telescopes and instruments. Upcoming galaxy surveys like Euclid
and LSST will observe an unprecedented amount and quality of data. Modelling
the PSF for these new facilities and surveys requires novel modelling
techniques that can cope with the ever-tightening error requirements. The
purpose of this review is three-fold. First, we introduce the optical
background required for a more physically-motivated PSF modelling and propose
an observational model that can be reused for future developments. Second, we
provide an overview of the different physical contributors of the PSF,
including the optic- and detector-level contributors and the atmosphere. We
expect that the overview will help better understand the modelled effects.
Third, we discuss the different methods for PSF modelling from the parametric
and non-parametric families for ground- and space-based telescopes, with their
advantages and limitations. Validation methods for PSF models are then
addressed, with several metrics related to weak lensing studies discussed in
detail. Finally, we explore current challenges and future directions in PSF
modelling for astronomical telescopes.
- Abstract（参考訳）: ポイントスプレッド関数(PSF)の正確なモデリングは、望遠鏡や大気による歪みやぼやけの補正を可能にするため、天文学的な観測において最も重要である。
PSFモデリングは天体の性質を正確に測定するために重要である。
この数十年で、望遠鏡や機器のパワーと複雑さが着実に向上しました。
ユークリッドやLSSTのような今後の銀河探査では、前例のない量のデータと質が観測される。
これらの新しい施設と調査のためにPSFをモデル化するには、常に厳格なエラー要求に対応する新しいモデリング技術が必要である。
このレビューの目的は3つある。
まず,より物理的に動機づけられたpsfモデリングに必要な光学的背景を紹介するとともに,今後の展開のために再利用可能な観測モデルを提案する。
第2に,視・検出器レベルの貢献者と雰囲気を含むpsfのさまざまな物理的貢献者の概要について述べる。
概観は、モデル化された効果をよりよく理解するのに役立つと期待している。
第3に、地上及び宇宙望遠鏡のパラメトリックおよび非パラメトリックファミリーとpsfモデリングの異なる方法について、その利点と限界について論じる。
その後、PSFモデルの検証手法に対処し、弱レンズ化研究に関連するいくつかの指標を詳細に論じる。
最後に,天文望遠鏡のpsfモデリングにおける課題と今後の方向性について考察する。
関連論文リスト
- AstroPT: Scaling Large Observation Models for Astronomy [0.0]
我々は、100万から210億のパラメータに増大する基盤モデルをトレーニングし、AstroPTがテキストモデルに類似した飽和ログスケーリング法に従うことを発見した。
私たちは、共同コミュニティ開発がオープンソースの大規模観測モデルの実現への最良の道のりだと信じています。
論文 参考訳（メタデータ） (2024-05-23T18:00:00Z) - SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。
本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。
Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
論文 参考訳（メタデータ） (2024-03-15T06:26:46Z) - OtterHD: A High-Resolution Multi-modality Model [57.16481886807386]
OtterHD-8Bは、高解像度の視覚入力を粒度精度で解釈するために設計された革新的なマルチモーダルモデルである。
本研究は,大規模マルチモーダルモデルにおける柔軟性と高分解能入力能力の重要な役割を明らかにする。
論文 参考訳（メタデータ） (2023-11-07T18:59:58Z) - Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。
LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。
本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
論文 参考訳（メタデータ） (2023-10-12T10:20:36Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - DeepGraviLens: a Multi-Modal Architecture for Classifying Gravitational
Lensing Data [3.4138918206057265]
DeepGraviLensは、1つの非レンズ系と3つのレンズ系に属する時間データを分類する新しいネットワークである。
検討されたデータセットに応じて、アート精度の現在の状態を$approx 3%$から$approx 11%$に上回る。
論文 参考訳（メタデータ） (2022-05-02T07:45:51Z) - 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) - 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) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳（メタデータ） (2021-11-10T23:26:58Z) - 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) - Wide-angle Image Rectification: A Survey [86.36118799330802]
広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。
これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。
本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。
次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
論文 参考訳（メタデータ） (2020-10-30T17:28:40Z)
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。