論文の概要: AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data

• arxiv url: http://arxiv.org/abs/2604.16793v1
• Date: Sat, 18 Apr 2026 02:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.17516
• Title: AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data
• Title（参考訳）: AstroSURE: 地上の真実データのない天体画像からノイズを除去する学習
• Authors: Omid Vaheb, Sebastien Fabbro, Stark Draper,
• Abstract要約: そこで本研究では,地中画像のクリーン化を伴わずに学習可能なディープラーニングデノベーション手法について検討する。 我々は、ノイズ2ノイズ、スタインのアンバイアスドリスク推定器、および盲点に基づく手法を適応し、比較する。 以上の結果から,これらの手法は,元の雑音画像と比較することで,音源検出性の向上を図っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In astronomical imaging, the low photon count of exposures necessitates extensive post-processing steps, including contamination removal and denoising. This paper evaluates deep-learning denoising methods that can be trained without clean ground-truth images and assesses their utility for detection11 oriented analysis of astronomical data. We adapt and compare Noise2Noise, Stein's Unbiased Risk Estimator, and blind-spot-based methods using synthetic data and real observations from the Hubble Space Telescope (HST) and the Canada-France-Hawaii Telescope (CFHT). Performance is evaluated using object-detection metrics, including correct detection rate and false alarm rate, together with image-based metrics and pixel-distribution diagnostics. The results show that these methods can improve faint-source detectability relative to the original noisy images, with encouraging gains on HST data after domain-consistent initialization, while transfer to CFHT data is more limited, highlighting the importance of instrument/domain similarity for unsupervised adaptation.
• Abstract（参考訳）: 天文学的な画像では、低光子の露光数は汚染除去や脱ノイズを含む幅広い後処理ステップを必要とする。 本稿では,地中画像のクリーン化を伴わずに学習可能なディープラーニングデノベーション手法を評価し,天文学的データの11方向解析におけるその有用性を評価する。 我々は、HST(ハッブル宇宙望遠鏡)とCFHT(カナダ・フランス・ハワイ望遠鏡)の合成データと実際の観測データを用いたノイズ2ノイズ、スタインのアンバイアスドリスク推定器、およびブラインドスポットに基づく手法を適応・比較する。 画像ベースメトリクスと画素分布診断とともに、正確な検出率と誤警報率を含むオブジェクト検出メトリクスを用いて、性能を評価する。 その結果、これらの手法は、ドメイン一貫性の初期化後のHSTデータの増加を促すとともに、CFHTデータへの転送が制限され、教師なし適応における楽器/ドメイン類似性の重要性が浮き彫りになった。

関連論文リスト

• Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse [2.812291464467386]
  光音響トモグラフィ(PAT)は、光学コントラストと超音波分解能を組み合わせた新しい画像モダリティである。 本研究では,地中構造データを必要とすることなく,有限サイズの検出器効果に対処するNoisier2Inverseに基づく自己教師型再構成手法を提案する。 提案手法はノイズ測定を直接処理し,高画質のPAT画像を地道な方法で復元する方法を学習する。
  論文  参考訳（メタデータ） (2026-04-17T04:07:11Z)
• Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging [47.83642412662346]
  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。
  論文  参考訳（メタデータ） (2026-01-30T18:47:54Z)
• Self-supervised denoising of raw tomography detector data for improved image reconstruction [2.91425891370655]
  超高速電子線X線CTは、短い測定時間によるノイズデータを生成する。 これらの問題に対処するため,2つの自己教師型深層学習法について検討した。 深層学習法の適用により,検出器データの信号対雑音比が向上し,再構成画像の一貫性が向上することを発見した。
  論文  参考訳（メタデータ） (2025-11-21T15:30:44Z)
• 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)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Combining multi-spectral data with statistical and deep-learning models for improved exoplanet detection in direct imaging at high contrast [39.90150176899222]
  太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。 我々は,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶ。 その後、畳み込みニューラルネットワーク(CNN)が教師ありの方法で訓練され、合成源の残像を検出する。
  論文  参考訳（メタデータ） (2023-06-21T13:42:07Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)
• Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
  我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。 我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
  論文  参考訳（メタデータ） (2021-10-16T17:08:30Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)

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。