論文の概要: Neural Posterior Estimation with Autoregressive Tiling for Detecting Objects in Astronomical Images

• arxiv url: http://arxiv.org/abs/2510.03074v1
• Date: Fri, 03 Oct 2025 15:01:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.437955
• Title: Neural Posterior Estimation with Autoregressive Tiling for Detecting Objects in Astronomical Images
• Title（参考訳）: 天体画像における物体検出のための自己回帰タイリングによる神経後部推定
• Authors: Jeffrey Regier,
• Abstract要約: 今後の天文学的な調査では、夜空の高解像度画像が1ペタバイトにのぼる。 これらのオブジェクトのほとんどは暗く、多くの視覚的に他のオブジェクトと重なる。 本稿では,小物体検出の事例を解決するために,償却変分推論手法を提案する。
• 参考スコア（独自算出の注目度）: 5.144104651619037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Upcoming astronomical surveys will produce petabytes of high-resolution images of the night sky, providing information about billions of stars and galaxies. Detecting and characterizing the astronomical objects in these images is a fundamental task in astronomy -- and a challenging one, as most of these objects are faint and many visually overlap with other objects. We propose an amortized variational inference procedure to solve this instance of small-object detection. Our key innovation is a family of spatially autoregressive variational distributions that partition and order the latent space according to a $K$-color checkerboard pattern. By construction, the conditional independencies of this variational family mirror those of the posterior distribution. We fit the variational distribution, which is parameterized by a convolutional neural network, using neural posterior estimation (NPE) to minimize an expectation of the forward KL divergence. Using images from the Sloan Digital Sky Survey, our method achieves state-of-the-art performance. We further demonstrate that the proposed autoregressive structure greatly improves posterior calibration.
• Abstract（参考訳）: これからの天文学的な調査では、夜空の高解像度画像を1ペタバイト生成し、何十億もの星や銀河に関する情報を提供する。 これらの画像の中の天体を検知し、特徴付けることは天文学の基本的な課題であり、ほとんどの天体は暗く、視覚的に他の天体と重なるため、難しい課題である。 本稿では,小物体検出の事例を解決するために,償却変分推論手法を提案する。 私たちの重要な革新は、空間的に自己回帰的な変動分布の族であり、K$カラーチェッカーボードパターンに従って遅延空間を分割して順序付ける。 構築により、この変動家族の条件不依存性は後部分布の条件を反映する。 畳み込みニューラルネットワークによってパラメータ化される変分分布をニューラルリテラル推定(NPE)を用いて、前方KL分散の期待を最小化する。 Sloan Digital Sky Surveyの画像を用いて,本手法は最先端の性能を実現する。 さらに,提案した自己回帰構造が後部キャリブレーションを大幅に改善することを示す。

関連論文リスト

• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [51.79340280382437]
  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。
  論文  参考訳（メタデータ） (2025-07-22T09:28:28Z)
• 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)
• MODEL&CO: Exoplanet detection in angular differential imaging by learning across multiple observations [37.845442465099396]
  ほとんどの後処理法は、対象の観測自体から核分裂のモデルを構築している。 本稿では,教師付き深層学習技術を利用して,複数観測のアーカイブからニュアンスモデルを構築することを提案する。 本稿では,提案手法をVLT/SPHERE機器から得られた複数のデータセットに適用し,高精度なリコールトレードオフを示す。
  論文  参考訳（メタデータ） (2024-09-23T09:22:45Z)
• 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)
• Echoes in the Noise: Posterior Samples of Faint Galaxy Surface Brightness Profiles with Score-Based Likelihoods and Priors [39.58317527488534]
  画像デコンボリューションのベイズ解析を行うために,近年のスコアベース確率推定モデルと拡散モデルを組み合わせたフレームワークを提案する。 EmphHubble Space Telescope(emphHST)データに適用されたこの手法は、次世代のEmphJames Webb Space Telescope(emphJWST)イメージングでしか見えない構造を復元する。
  論文  参考訳（メタデータ） (2023-11-29T19:00:03Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Variational Inference for Deblending Crowded Starfields [0.8471366736328809]
  本稿では,混み合った星場の天体画像のソースを損なうベイズ的手法であるStarNetを提案する。 M2球状星団のSDSS画像を用いた実験では、スターネットは2つの競合する手法よりもかなり精度が高い。
  論文  参考訳（メタデータ） (2021-02-04T04:36:58Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。