論文の概要: Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging

• arxiv url: http://arxiv.org/abs/2601.23276v1
• Date: Fri, 30 Jan 2026 18:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.62006
• Title: Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging
• Title（参考訳）: 深宇宙の騒音 -物理に基づく天体画像用CCDノイズ生成-
• Authors: Shuhong Liu, Xining Ge, Ziying Gu, Lin Gu, Ziteng Cui, Xuangeng Chu, Jun Liu, Dong Li, Tatsuya Harada,
• Abstract要約: 学習ベースのdenoisingは有望だが、ペアのトレーニングデータが不足しているため、進歩は妨げられている。 CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 47.83642412662346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Astronomical imaging remains noise-limited under practical observing constraints, while standard calibration pipelines mainly remove structured artifacts and leave stochastic noise largely unresolved. Learning-based denoising is promising, yet progress is hindered by scarce paired training data and the need for physically interpretable and reproducible models in scientific workflows. We propose a physics-based noise synthesis framework tailored to CCD noise formation. The pipeline models photon shot noise, photo-response non-uniformity, dark-current noise, readout effects, and localized outliers arising from cosmic-ray hits and hot pixels. To obtain low-noise inputs for synthesis, we average multiple unregistered exposures to produce high-SNR bases. Realistic noisy counterparts synthesized from these bases using our noise model enable the construction of abundant paired datasets for supervised learning. We further introduce a real-world dataset across multi-bands acquired with two twin ground-based telescopes, providing paired raw frames and instrument-pipeline calibrated frames, together with calibration data and stacked high-SNR bases for real-world evaluation.
• Abstract（参考訳）: 標準的な校正パイプラインは主に構造的アーティファクトを取り除き、確率的ノイズは未解決のままである。 学習ベースの認知は有望だが、ペア化されたトレーニングデータの不足と、科学的ワークフローにおいて物理的に解釈可能で再現可能なモデルの必要性によって、進歩は妨げられている。 CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。 パイプラインは、光子ショットノイズ、光応答性非均一性、暗電流ノイズ、読み出し効果、および宇宙線ヒットとホットピクセルから生じる局所的なアウトリーチをモデル化する。 合成のための低雑音入力を得るために、複数の未登録露光を平均化し、高SNRベースを生成する。 ノイズモデルを用いてこれらのベースから合成された現実的な雑音は、教師付き学習のための豊富なペアデータセットの構築を可能にする。 さらに,2つのツイングラウンドベース望遠鏡で取得したマルチバンドにまたがる実世界のデータセットを導入し,実世界評価のためのキャリブレーションデータと高SNRベースとともに,ペアの生フレームと計器ピペリンの校正フレームを提供する。

関連論文リスト

• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• Physics-guided Noise Neural Proxy for Practical Low-light Raw Image Denoising [22.11250276261829]
  近年,低照度生画像復調訓練の主流は,合成データの利用に移行している。 実世界のセンサのノイズ分布を特徴付けるノイズモデリングは,合成データの有効性と実用性に大きな影響を及ぼす。 そこで本研究では,実データではなく,暗黒フレームからノイズモデルを学習し,データ依存を分解する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-13T14:14:43Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising [34.98772175073111]
  CMOS光センサの特性に基づく高精度なノイズ生成モデルを提案する。 また,現代のデジタルカメラにおけるノイズパラメータの校正手法を提案する。
  論文  参考訳（メタデータ） (2020-03-28T09:16:48Z)

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。