論文の概要: Thermal background reduction for mid-infrared imaging by low-rank background and sparse point-source modelling

• arxiv url: http://arxiv.org/abs/2604.22351v1
• Date: Fri, 24 Apr 2026 08:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.402407
• Title: Thermal background reduction for mid-infrared imaging by low-rank background and sparse point-source modelling
• Title（参考訳）: 低ランク背景とスパース音源モデリングによる中赤外画像の熱背景低減
• Authors: R. A. R. Moens, A. G. M. Pietrow, B. Brandl, R. Van de Plas,
• Abstract要約: 我々は、中赤外天文学的観測の感度を向上させるために、LORABEL(Low-RAnk background Elimination)という新しい手法を提案し、評価した。 LORABELは従来手法に比べて検出精度が向上することが実証された。 LORABELは地上観測と空中観測の両方に応用可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mid-infrared astronomy from the ground faces critical challenges in accurately detecting and quantifying sources due to the dominant spatially and time-variable background noise. Moreover, chopping and nodding, the traditional methods for dealing with these background issues, will not be technically feasible on the next generation of extremely large telescopes. This limitation requires the development of novel computational methods for a robust background reduction. We present and evaluate a novel method named LOw-RAnk Background ELimination (LORABEL) to improve the sensitivity of mid-infrared astronomical observations, without the need for classical telescope nodding, source masking, or other overheads in observing time. We applied a low-rank background-reduction strategy to (1) data taken on the ground with the VISIR with synthetically injected sources, and (2) airborne data from SOFIA. We compared the performance of our new method to classical chopping and nodding techniques, and analysed the effect on source photometry and detection precision for different observational scenarios. In regimes with a low signal-to-noise ratio (S/N $<5$) in the ground-based VISIR data, LORABEL reduces variation in the photometric error with respect to chopping differences alone and even the classical chop-nod sequence, at the cost of introducing a bias. Secondly, we demonstrate that LORABEL increases detection precision in comparison to traditional background-reduction methods. For the SOFIA dataset, we achieve a $20-100$ fold decrease in mean background flux with respect to the traditional chop-nod method while preserving most of the source flux. Our findings suggest that LORABEL is applicable to a wider range of instrumental observation, that is, both ground-based and airborne, and it is a suitable tool in the context of faint-source detection.
• Abstract（参考訳）: 地上からの中赤外天文学は、支配的な空間的および時間的変化の背景ノイズにより、ソースを正確に検出し、定量化する上で重要な課題に直面している。 さらに、これらの背景問題を扱う従来の方法であるチョッピングとノディングは、次世代の超大型望遠鏡では技術的に不可能である。 この制限は、堅牢なバックグラウンドリダクションのための新しい計算方法の開発を必要とする。 我々は,古典的な望遠鏡ノディング,ソースマスキング,その他の観測上のオーバーヘッドを必要とせずに,中赤外天文学観測の感度を向上させるために,LORABEL (Low-RAnk background Elimination) という新しい手法を提案し,評価した。 我々は,(1) 地上のVISIRを合成注入したデータと(2) SOFIAの空中データに低ランクのバックグラウンド推論戦略を適用した。 提案手法の性能を古典的チョッピング法とノディング法と比較し, 異なる観測シナリオにおけるソース光度測定と検出精度に与える影響を解析した。 地上のVISIRデータにおいて低信号対雑音比(S/N $<5$)の政権では、LORABELは、差分のみや古典的なチョップノッドシーケンスにおいても、光度誤差のばらつきをバイアスを導入するコストで低減する。 次に,LORABELは従来手法に比べて検出精度が向上することを示した。 SOFIAデータセットでは,ソースフラックスの大半を保存しながら,従来のチョップノッド法と比較して平均背景フラックスが20～100ドル減少する。 以上の結果から,LORABELは地上観測と空中観測の両方に応用可能であることが示唆された。

関連論文リスト

• Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
  Inversion-based Anomaly Detection (AD) 手法を提案する。 元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。 付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
  論文  参考訳（メタデータ） (2025-04-08T04:23:43Z)
• Radio-astronomical Image Reconstruction with Conditional Denoising Diffusion Model [5.673449249014537]
  汚れた電波画像からスカイモデルを再構成することは、高赤方偏移で銀河の進化を研究するために不可欠である。 CLEANやPyBDSFのような現在の技術は、しばしばかすかなソースを検出するのに失敗する。 本研究では、ニューラルネットワークを用いて、汚れた画像から直接スカイモデルを再構築することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T18:57:24Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• 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)
• Non-Convex Tensor Low-Rank Approximation for Infrared Small Target Detection [32.67489082946838]
  赤外線小目標検出は、多くの赤外線システムにおいて重要な役割を果たす。 ほとんどの低ランク手法は、異なる特異値を不正確な背景推定に割り当てる。 この小さな赤外線ターゲット検出アルゴリズムに対して,非ネイティブ空間近似(NTLA)を提案する。
  論文  参考訳（メタデータ） (2021-05-31T14:04:58Z)

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。