論文の概要: Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising

• arxiv url: http://arxiv.org/abs/2602.17205v1
• Date: Thu, 19 Feb 2026 09:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.90258
• Title: Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising
• Title（参考訳）: 自己監督型時空間雑音像を用いた天文学的画像のより深い検出限界
• Authors: Yuduo Guo, Hao Zhang, Mingyu Li, Fujiang Yu, Yunjing Wu, Yuhan Hao, Song Huang, Yongming Liang, Xiaojing Lin, Xinyang Li, Jiamin Wu, Zheng Cai, Qionghai Dai,
• Abstract要約: 複数の露光情報を統合するASTERIS(Atronomical Transformer-based Denoising Algorithm)を提案する。 ASTERISは点拡散関数と測光精度を保ちながら、完全性と純度90%で検出限界を1.0改善する。 深部JWST画像の適用により、ASTERISは赤方偏移>9銀河系候補の3倍の赤方偏移を識別し、静止フレームの紫外光度1.0は以前の方法よりも小さくなっている。
• 参考スコア（独自算出の注目度）: 28.1551752436114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection limit of astronomical imaging observations is limited by several noise sources. Some of that noise is correlated between neighbouring image pixels and exposures, so in principle could be learned and corrected. We present an astronomical self-supervised transformer-based denoising algorithm (ASTERIS), that integrates spatiotemporal information across multiple exposures. Benchmarking on mock data indicates that ASTERIS improves detection limits by 1.0 magnitude at 90% completeness and purity, while preserving the point spread function and photometric accuracy. Observational validation using data from the James Webb Space Telescope (JWST) and Subaru telescope identifies previously undetectable features, including low-surface-brightness galaxy structures and gravitationally-lensed arcs. Applied to deep JWST images, ASTERIS identifies three times more redshift > 9 galaxy candidates, with rest-frame ultraviolet luminosity 1.0 magnitude fainter, than previous methods.
• Abstract（参考訳）: 天体画像観測の限界は、いくつかのノイズ源によって制限されている。 そのノイズのいくつかは、隣接する画像ピクセルと露出の相関関係にあるため、原理的に学習し、修正することができる。 複数の露光における時空間情報を統合した天文学的な自己教師型トランスフォーマーに基づく復調アルゴリズム(ASTERIS)を提案する。 モックデータのベンチマークは、ASTERISが点拡散関数と測光精度を維持しながら、90%の完全性と純度で検出限界を1.0倍改善することを示している。 ジェームズ・ウェッブ宇宙望遠鏡(JWST)とスバル望遠鏡のデータによる観測による検証では、低地表面の光度銀河構造や重力で照らされたアークなど、これまで検出できなかった特徴が特定されている。 深部JWST画像に適用すると、ASTERISは以前の手法に比べて3倍の赤方偏移>9個の銀河候補を特定し、静止フレームの紫外光度1.0等級は減少する。

関連論文リスト

• S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
  RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。 既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。 本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T15:01:55Z)
• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
  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)
• 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)
• From Chaos to Clarity: Time Series Anomaly Detection in Astronomical Observations [6.903396830919462]
  天文観測における教師なし異常検出のための2段階フレームワークを提案する。 最初の段階では、トランスフォーマーベースのエンコーダデコーダアーキテクチャを用いて、各星の通常の時間パターンを学習する。 第2段階では、並列ノイズの発生に対処するために、ウィンドウワイズグラフ構造学習を用いてグラフニューラルネットワークを強化する。
  論文  参考訳（メタデータ） (2024-03-15T11:39:12Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• Infrared photon-number-resolving imager using a Skipper-CCD [0.0]
  天文学的な検出において、居住可能な太陽系外惑星の探索は、生体信号を探している大気圏のイメージングを要求する。 ここでは、赤外波長範囲の撮像装置を用いて、読み出しノイズを任意に低減する。 この装置では、同一フレーム内の幅広い強度で物体を撮像し、読み出しノイズを0.2e$-$以下にすることで、1ピクセルあたり2光子未満の形状でも識別し、以前はノイズの中に隠されていたものを明らかにすることができる。
  論文  参考訳（メタデータ） (2023-01-26T01:22:41Z)
• Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine Learning Algorithms [6.4609323472170725]
  ロブスター望遠鏡は、X線帯域の広い視野で天体を観測できるため、X線トランジェントを検出するのに理想的なモニターである。 ロブスター望遠鏡で得られた画像は、独自の点拡散関数によって修正されるため、高効率な目標検出アルゴリズムを設計することは困難である。 本稿では,ロブスター望遠鏡で得られたデータに対するターゲット検出フレームワークを構築するために,複数の機械学習アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2022-12-11T13:10:44Z)
• Open-Vocabulary 3D Detection via Image-level Class and Debiased Cross-modal Contrastive Learning [62.18197846270103]
  現在の点雲検出法では,実世界の開語彙を検出するのが困難である。 画像レベルのクラス管理を用いたオープン語彙3DDETectorであるOV-3DETICを提案する。
  論文  参考訳（メタデータ） (2022-07-05T12:13:52Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)
• 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。