論文の概要: Direct Exoplanet Detection Using Deep Convolutional Image Reconstruction
(ConStruct): A New Algorithm for Post-Processing High-Contrast Images
- arxiv url: http://arxiv.org/abs/2312.03671v1
- Date: Wed, 6 Dec 2023 18:36:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 14:02:02.836186
- Title: Direct Exoplanet Detection Using Deep Convolutional Image Reconstruction
(ConStruct): A New Algorithm for Post-Processing High-Contrast Images
- Title（参考訳）: 深部畳み込み画像再構成(コンストラクト)による直接外惑星検出 : 高速コントラスト画像に対する新しいアルゴリズム
- Authors: Trevor N. Wolf, Brandon A. Jones, Brendan P. Bowler
- Abstract要約: 本稿では,高コントラスト適応光学画像データセットにおけるかすかな点源検出のための新しい機械学習手法を提案する。
畳み込み型自己エンコーダニューラルネットワークは、実画像シーケンスの広範な参照ライブラリに基づいて訓練され、潜在的な惑星信号の位置にある恒星スペックルノイズを正確に再構成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel machine-learning approach for detecting faint point
sources in high-contrast adaptive optics imaging datasets. The most widely used
algorithms for primary subtraction aim to decouple bright stellar speckle noise
from planetary signatures by subtracting an approximation of the temporally
evolving stellar noise from each frame in an imaging sequence. Our approach
aims to improve the stellar noise approximation and increase the planet
detection sensitivity by leveraging deep learning in a novel direct imaging
post-processing algorithm. We show that a convolutional autoencoder neural
network, trained on an extensive reference library of real imaging sequences,
accurately reconstructs the stellar speckle noise at the location of a
potential planet signal. This tool is used in a post-processing algorithm we
call Direct Exoplanet Detection with Convolutional Image Reconstruction, or
ConStruct. The reliability and sensitivity of ConStruct are assessed using real
Keck/NIRC2 angular differential imaging datasets. Of the 30 unique point
sources we examine, ConStruct yields a higher S/N than traditional PCA-based
processing for 67$\%$ of the cases and improves the relative contrast by up to
a factor of 2.6. This work demonstrates the value and potential of deep
learning to take advantage of a diverse reference library of point spread
function realizations to improve direct imaging post-processing. ConStruct and
its future improvements may be particularly useful as tools for post-processing
high-contrast images from the James Webb Space Telescope and extreme adaptive
optics instruments, both for the current generation and those being designed
for the upcoming 30 meter-class telescopes.
- Abstract（参考訳）: 本稿では,高コントラスト適応光学画像データセットにおけるかすかな点源検出のための機械学習手法を提案する。
最も広く使われている一次サブトラクションアルゴリズムは、各フレームから時間的に変化する恒星ノイズの近似を画像シーケンスで抽出することで、明るい恒星スペックルノイズを惑星のシグネチャから切り離すことである。
提案手法は,新しい直接撮像後処理アルゴリズムの深層学習を活用し,恒星ノイズ近似の改善と惑星検出感度の向上を目的とする。
畳み込み型自己エンコーダニューラルネットワークは、実画像シーケンスの広範な参照ライブラリに基づいて訓練され、潜在的な惑星信号の位置にある恒星スペックルノイズを正確に再構成する。
このツールは、畳み込み画像再構成を伴う直接外惑星検出または構成と呼ばれる後処理アルゴリズムで使用される。
実際のkeck/nirc2角微分画像データセットを用いて構成の信頼性と感度を評価する。
調査した30の点源のうち、ConStructは従来のPCAベースの処理よりもS/Nの高い67$\%のコストで処理し、相対コントラストを最大2.6倍改善する。
この研究は、ポイントスプレッド関数実現の多様な参照ライブラリを活用するためのディープラーニングの価値と可能性を示し、直接イメージング後処理を改善する。
コンストラクトとその将来的な改良は、ジェームズ・ウェッブ宇宙望遠鏡の高コントラスト画像を後処理するためのツールや、現在の世代と今後の30メートル級望遠鏡のために設計された極端適応光学機器として特に有用である。
関連論文リスト
- The R2D2 deep neural network series paradigm for fast precision imaging in radio astronomy [1.7249361224827533]
最近の画像再構成技術は、CLEANの能力をはるかに超えて、画像の精度が著しく向上している。
高ダイナミックレンジイメージングのためのResidual-to-Residual DNNシリーズと呼ばれる新しいディープラーニング手法を導入する。
高精度を実現するためのR2D2の能力は、超大型アレイ(VLA)を用いた様々な画像観測環境においてシミュレーションで実証されている。
論文 参考訳（メタデータ） (2024-03-08T16:57:54Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Image Restoration with Point Spread Function Regularization and Active
Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。
様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。
深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-31T23:16:26Z) - Embracing Compact and Robust Architectures for Multi-Exposure Image
Fusion [50.598654017728045]
本稿では,堅牢なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを含む探索型パラダイムを提案する。
シーンリライティングと変形可能な畳み込みを利用して、カメラの動きに拘わらず、画像を正確に調整することができる。
我々は、様々な競争方式と比較して最先端の性能を実現し、一般的なシナリオと不整合シナリオに対するPSNRの4.02%と29.34%の改善を実現した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - Half-sibling regression meets exoplanet imaging: PSF modeling and
subtraction using a flexible, domain knowledge-driven, causal framework [7.025418443146435]
既存の後処理アルゴリズムは、問題に関して利用可能なすべての事前のドメイン知識を使用しない。
本稿では,データ生成過程の系統的ノイズと因果構造に対する理解に基づく新しい手法を提案する。
提案アルゴリズムは,PCAをベースとしたPSFサブトラクションよりも偽陽性率が高い。
論文 参考訳（メタデータ） (2022-04-07T13:34:30Z) - Comparison of convolutional neural networks for cloudy optical images
reconstruction from single or multitemporal joint SAR and optical images [0.21079694661943604]
本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。
光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。
空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
論文 参考訳（メタデータ） (2022-04-01T13:31:23Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Light Field Reconstruction Using Convolutional Network on EPI and
Extended Applications [78.63280020581662]
スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。
最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
論文 参考訳（メタデータ） (2021-03-24T08:16:32Z) - SAR Image Despeckling Based on Convolutional Denoising Autoencoder [13.579420996461439]
SAR(Synthetic Aperture Radar)イメージングでは、画像解析において非特異性が非常に重要である。
本稿では,C-DAE(Convolutioal Denoising Autoencoder)を用いて,スペックルフリーなSAR画像の再構成を行う。
論文 参考訳（メタデータ） (2020-11-30T09:02:25Z) - Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。
本手法では, 回折光学素子 (DOE) を用いる。
DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
論文 参考訳（メタデータ） (2020-09-01T14:19:35Z)
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。