論文の概要: POLARIS: A High-contrast Polarimetric Imaging Benchmark Dataset for Exoplanetary Disk Representation Learning
- arxiv url: http://arxiv.org/abs/2506.03511v1
- Date: Wed, 04 Jun 2025 02:55:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 21:20:14.116615
- Title: POLARIS: A High-contrast Polarimetric Imaging Benchmark Dataset for Exoplanetary Disk Representation Learning
- Title（参考訳）: POLARIS:惑星外ディスク表現学習のための高コントラストポラリメトリックイメージングベンチマークデータセット
- Authors: Fangyi Cao, Bin Ren, Zihao Wang, Shiwei Fu, Youbin Mo, Xiaoyang Liu, Yuzhou Chen, Weixin Yao,
- Abstract要約: 人工知能(AI)は今後10年間で、地球に似た太陽系外惑星を画像化するための変革的なツールになるのだろうか?
我々は、このベンチマークを導入し、偏光画像表現学習の観点からこの問題を探求する。
これは、天体物理学や機械学習で稀な、一様に小さくて高品質な太陽系外惑星の画像データセットである。
- 参考スコア（独自算出の注目度）: 27.870701240010924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With over 1,000,000 images from more than 10,000 exposures using state-of-the-art high-contrast imagers (e.g., Gemini Planet Imager, VLT/SPHERE) in the search for exoplanets, can artificial intelligence (AI) serve as a transformative tool in imaging Earth-like exoplanets in the coming decade? In this paper, we introduce a benchmark and explore this question from a polarimetric image representation learning perspective. Despite extensive investments over the past decade, only a few new exoplanets have been directly imaged. Existing imaging approaches rely heavily on labor-intensive labeling of reference stars, which serve as background to extract circumstellar objects (disks or exoplanets) around target stars. With our POLARIS (POlarized Light dAta for total intensity Representation learning of direct Imaging of exoplanetary Systems) dataset, we classify reference star and circumstellar disk images using the full public SPHERE/IRDIS polarized-light archive since 2014, requiring less than 10 percent manual labeling. We evaluate a range of models including statistical, generative, and large vision-language models and provide baseline performance. We also propose an unsupervised generative representation learning framework that integrates these models, achieving superior performance and enhanced representational power. To our knowledge, this is the first uniformly reduced, high-quality exoplanet imaging dataset, rare in astrophysics and machine learning. By releasing this dataset and baselines, we aim to equip astrophysicists with new tools and engage data scientists in advancing direct exoplanet imaging, catalyzing major interdisciplinary breakthroughs.
- Abstract（参考訳）: たとえば、ジェミニプラネット・イメージやVLT/SPHEREなど、最先端の高コントラスト・イメージを用いた1万枚以上の露出画像から、人工知能(AI)は今後10年間で地球に似た太陽系外惑星を画像化するための変革的ツールとなるのだろうか?
本稿では、偏光画像表現学習の観点から、ベンチマークを導入し、この問題を探求する。
過去10年間にわたる大規模な投資にもかかわらず、いくつかの新しい太陽系外惑星が直接撮影されている。
既存のイメージングアプローチは、基準星の労働集約的なラベル付けに大きく依存しており、ターゲット星の周囲の周囲の天体(ディスクや外惑星)を抽出する背景として機能している。
我々のPOLARIS(Polarized Light dAta for total intensity Representation Learning of direct Imaging of exo Planet Systems)データセットを用いて、2014年以来、完全なSPHERE/IRDIS偏光アーカイブを使用して、参照星と周囲の円盤画像を分類する。
統計的・生成的・大規模視覚言語モデルを含む様々なモデルを評価し,ベースライン性能を提供する。
また,これらのモデルを統合し,優れた性能と表現力の向上を実現した教師なし生成表現学習フレームワークを提案する。
我々の知る限り、これは天体物理学や機械学習において珍しい、一様に小さくて高品質な太陽系外惑星画像データセットである。
このデータセットとベースラインを公開することによって、宇宙物理学者に新しいツールを装備し、データ科学者が直接太陽系外惑星の画像撮影を進め、学際的な大きなブレークスルーを触媒することを目指している。
関連論文リスト
- A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。
これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。
提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
論文 参考訳（メタデータ） (2025-03-21T13:07:55Z) - Exoplanet Detection via Differentiable Rendering [23.64604723151245]
太陽系外惑星の直接撮像は、主星と惑星の間の高コントラストのために大きな課題に直面している。
波面収差は、惑星の外観を模した回折された星のパターンである望遠鏡科学画像にスペックルを導入している。
従来の後処理方式は、主に画像強度領域で動作するが、波面センシングデータを統合していない。
本稿では、これらの波面センシングデータを利用して、外惑星検出を改善する微分可能なレンダリング手法を提案する。
論文 参考訳（メタデータ） (2025-01-03T17:30:44Z) - Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳（メタデータ） (2024-07-29T18:00:10Z) - 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) - Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
1枚以上の画像から3D屋内シーンを没入する問題について検討する。
我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。
本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
論文 参考訳（メタデータ） (2022-04-06T17:54:46Z) - InvGAN: Invertible GANs [88.58338626299837]
InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。
これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
論文 参考訳（メタデータ） (2021-12-08T21:39:00Z) - Self-supervised similarity search for large scientific datasets [0.0]
本稿では,大規模未ラベルデータセットの探索と活用に自己教師付き学習を用いることを提案する。
まず、各画像の対称性、不確実性、ノイズに頑健な低次元表現を除去するために、自己教師付きモデルを訓練する。
次に,この表現を用いて対話型セマンティック類似検索ツールを構築し,公開する。
論文 参考訳（メタデータ） (2021-10-25T18:00:00Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。
ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。
我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
論文 参考訳（メタデータ） (2021-04-09T02:58:59Z) - Self-Supervised Representation Learning for Astronomical Images [1.0499611180329804]
自己教師付き学習は,意味的に有用なスカイサーベイ画像の表現を復元する。
本手法は,教師付きモデルの2-4倍のラベルをトレーニングに使用しながら,精度を向上できることを示す。
論文 参考訳（メタデータ） (2020-12-24T03:25:36Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:32:19Z)
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。