論文の概要: STAR: A Benchmark for Astronomical Star Fields Super-Resolution
- arxiv url: http://arxiv.org/abs/2507.16385v1
- Date: Tue, 22 Jul 2025 09:28:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:14.046696
- Title: STAR: A Benchmark for Astronomical Star Fields Super-Resolution
- Title(参考訳): STAR:スーパーリゾリューションのための天文学的スターフィールドのベンチマーク
- Authors: Kuo-Cheng Wu, Guohang Zhuang, Jinyang Huang, Xiang Zhang, Wanli Ouyang, Yan Lu,
- Abstract要約: 54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。
本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
- 参考スコア(独自算出の注目度): 51.79340280382437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Super-resolution (SR) advances astronomical imaging by enabling cost-effective high-resolution capture, crucial for detecting faraway celestial objects and precise structural analysis. However, existing datasets for astronomical SR (ASR) exhibit three critical limitations: flux inconsistency, object-crop setting, and insufficient data diversity, significantly impeding ASR development. We propose STAR, a large-scale astronomical SR dataset containing 54,738 flux-consistent star field image pairs covering wide celestial regions. These pairs combine Hubble Space Telescope high-resolution observations with physically faithful low-resolution counterparts generated through a flux-preserving data generation pipeline, enabling systematic development of field-level ASR models. To further empower the ASR community, STAR provides a novel Flux Error (FE) to evaluate SR models in physical view. Leveraging this benchmark, we propose a Flux-Invariant Super Resolution (FISR) model that could accurately infer the flux-consistent high-resolution images from input photometry, suppressing several SR state-of-the-art methods by 24.84% on a novel designed flux consistency metric, showing the priority of our method for astrophysics. Extensive experiments demonstrate the effectiveness of our proposed method and the value of our dataset. Code and models are available at https://github.com/GuoCheng12/STAR.
- Abstract(参考訳): 超高解像度(SR)は、コスト効率の高い高解像度撮像を可能にし、遠方天体の検出と正確な構造解析に不可欠である。
しかし、既存のASR(Astronomical SR)のデータセットには、フラックスの不整合、オブジェクトクロップ設定、データ多様性の不足という3つの重要な制限があり、ASRの発展を著しく妨げている。
広い天体領域をカバーする54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。
これらのペアはハッブル宇宙望遠鏡の高分解能観測と、フラックス保存データ生成パイプラインによって生成される物理的に忠実な低分解能観測を組み合わせることで、フィールドレベルのASRモデルの体系的な開発を可能にする。
ASRコミュニティをさらに強化するために、STARは、物理ビューでSRモデルを評価するための新しいFlux Error(FE)を提供する。
本ベンチマークを応用したFlux-Invariant Super Resolution(FISR)モデルを提案する。このモデルでは、入力光度からフラックス一貫性の高い高分解能画像を正確に推定し、新しい設計されたフラックス整合度でいくつかのSR状態を24.84%抑制し、天体物理学の手法の優先順位を示す。
大規模な実験により,提案手法の有効性とデータセットの価値が示された。
コードとモデルはhttps://github.com/GuoCheng12/STAR.comで公開されている。
関連論文リスト
- Latent-space Field Tension for Astrophysical Component Detection An application to X-ray imaging [0.0]
本稿では, 潜時空間の張力をモデル不特定性の指標として活用する, スカイエミッションフィールドの多周波ベイズモデルを提案する。
大型マゼラン雲(LMC)におけるSN 1987A領域のEROSITA早期データ放出(EDR)から得られたX線観測データに本手法の有効性を実証する。
提案手法は,高精度で天体物理成分を再構成し,点源のサブピクセル局在化,拡張放出の堅牢な分離,詳細な不確実性定量化を実現している。
論文 参考訳(メタデータ) (2025-06-25T18:45:18Z) - 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) - Bayesian Deconvolution of Astronomical Images with Diffusion Models: Quantifying Prior-Driven Features in Reconstructions [40.13294159814764]
天体画像のデコンボリューションは、天体の固有の性質を回復する鍵となる側面である。
本稿では,拡散モデル (DM) と拡散後サンプリング (DPS) アルゴリズムを用いた逆問題解法を提案する。
論文 参考訳(メタデータ) (2024-11-28T14:00:00Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳(メタデータ) (2021-10-27T07:18:32Z) - Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral
Imagery [79.69449412334188]
本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。
本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。
実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
論文 参考訳(メタデータ) (2020-05-18T14:25:50Z) - 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) - HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of
Satellite Imagery [55.253395881190436]
MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。
これは、地球上の人間の影響を衛星で観測する上で重要である。
我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
論文 参考訳(メタデータ) (2020-02-15T22:17:47Z) - Hyperspectral and multispectral image fusion under spectrally varying
spatial blurs -- Application to high dimensional infrared astronomical
imaging [11.243400478302767]
本稿では,高スペクトル分解能データバリアントを復元するために,各画像の利点を組み合わせたデータ融合手法を提案する。
我々は、ジェームズ・ウェッブ宇宙望遠鏡のシミュレーション観測のリアルな合成データセットで実験を行う。
論文 参考訳(メタデータ) (2019-12-26T13:58:40Z)
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。