論文の概要: AstroVLM: Expert Multi-agent Collaborative Reasoning for Astronomical Imaging Quality Diagnosis

• arxiv url: http://arxiv.org/abs/2604.16024v1
• Date: Fri, 17 Apr 2026 12:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.921657
• Title: AstroVLM: Expert Multi-agent Collaborative Reasoning for Astronomical Imaging Quality Diagnosis
• Title（参考訳）: AstroVLM: 天文画像品質診断のための専門的多エージェント協調推論
• Authors: Yaohui Han, Tianshuo Wang, Zixi Zhao, Zhengchun Zhu, Shuo Ren, Yiru Wang, Rongliang Fu, Tinghuan Chen, Tsung-Yi Ho,
• Abstract要約: 本稿では,天文画像の品質を診断するマルチエージェントシステムAstroVLMを提案する。 実験結果から,AstroVLMは実世界の画像品質診断タスクにおいて,すべてのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 23.081971540768052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Language Models (VLMs) have been applied to several specific domains and have shown strong problem-solving capabilities. However, astronomical imaging, a quite complex problem involving multidisciplinary knowledge and several subtasks, has not been adequately studied. Due to the complexity of the astronomical imaging process, both world-class astronomical organizations, such as NASA, and expert enthusiasts devote a great deal of time and effort. This is because the processes in astronomical imaging have complex underlying correlations that significantly influence one another, making the quality diagnosis and error localization of astronomical images challenging. To address this problem, we propose AstroVLM, a collaborative multi-agent system for diagnosing the quality of astronomical images. Experiment results show that AstroVLM outperforms all baselines on real-world astronomical imaging quality diagnosis tasks, providing a reference for language models to handle complicated multi-process tasks.
• Abstract（参考訳）: 視覚言語モデル(VLM)はいくつかの特定の領域に適用され、強力な問題解決能力を示している。 しかし、多分野の知識といくつかのサブタスクを含む非常に複雑な天体画像は、十分に研究されていない。 天文学的なイメージングプロセスの複雑さのため、NASAのような世界クラスの天文学組織と専門家の愛好家の両方が、多くの時間と努力を捧げた。 これは、天文画像のプロセスが相互に大きく影響する複雑な相関関係を持ち、天文画像の品質診断と誤りの局所化を困難にしているためである。 この問題に対処するために、天文画像の品質を診断する協調型マルチエージェントシステムAstroVLMを提案する。 実験の結果,AstroVLMは実世界の画像品質診断タスクにおいて,全てのベースラインを上回り,複雑なマルチプロセスタスクを扱う言語モデルへの参照を提供することがわかった。

関連論文リスト

• Deep learning for exoplanet detection and characterization by direct imaging at high contrast [26.359902459074856]
  高コントラストで多変量画像系列を劣化させるニュアンス成分のマルチスケール統計モデルを提案する。 VLT/SPHERE計のデータに応用すると、検出感度とアストロメトリおよび光度推定の精度が大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-24T16:43:28Z)
• 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)
• Marmot: Object-Level Self-Correction via Multi-Agent Reasoning [55.74860093731475]
  Marmotは、マルチオブジェクトの自己修正にマルチエージェント推論を活用する、新しくて一般化可能なフレームワークである。 Marmotは、画像生成タスクにおけるオブジェクトカウント、属性割り当て、空間関係の精度を大幅に改善する。
  論文  参考訳（メタデータ） (2025-04-10T16:54:28Z)
• 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)
• AstroSpy: On detecting Fake Images in Astronomy via Joint Image-Spectral Representations [31.75799061059914]
  AI生成画像の普及により、天文学的画像の真正性に対する懸念が高まっている。 本稿では、スペクトル特徴と画像特徴を統合したハイブリッドモデルAstroSpyについて述べる。
  論文  参考訳（メタデータ） (2024-07-09T12:49:44Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Partial-Attribution Instance Segmentation for Astronomical Source Detection and Deblending [0.24920602678297968]
  深層学習モデルに適した方法でソースの検出と検証を可能にする、Partial-Attribution Instancesと呼ばれる新しいアプローチを導入する。 提案手法の実証として,新しいニューラルネットワークの実装を提案する。
  論文  参考訳（メタデータ） (2022-01-12T21:59:13Z)
• Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
  ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。 過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。 このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
  論文  参考訳（メタデータ） (2021-03-02T03:32:10Z)
• Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
  本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。 多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
  論文  参考訳（メタデータ） (2020-10-29T09:03:18Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。