論文の概要: Neural Posterior Estimation for Inferring Weak Lensing Shear

• arxiv url: http://arxiv.org/abs/2607.09867v1
• Date: Fri, 10 Jul 2026 18:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.231313
• Title: Neural Posterior Estimation for Inferring Weak Lensing Shear
• Title（参考訳）: 弱みレンズせん断推定のための神経後部推定法
• Authors: Tim White, Dingrui Tao, Camille Avestruz, Jeffrey Regier, the LSST Dark Energy Science Collaboration,
• Abstract要約: 我々は、シミュレーションされたマルチバンド画像を、下層のせん断場上の変動分布にマッピングするために、ディープニューラルネットワークを訓練する。 トレーニングが完了すると、ネットワークはシミュレーション画像に存在するすべての特徴を説明できる。 以上の結果から,NPEは期待されるすべての特徴や成果物をシミュレートできる設定において,実行可能なせん断推定手法であることを示す。
• 参考スコア（独自算出の注目度）: 3.3301932549351907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevailing approach to inferring weak gravitational lensing shear from images involves detecting galaxies, estimating their ellipticities, and calibrating these estimates to correct for image noise, selection bias, and model misspecification. Characterizing the statistical model and assumptions underlying this pipeline is challenging, which makes it difficult to propagate uncertainty through its various stages. As an alternative, we propose to infer shear using neural posterior estimation (NPE), a type of simulation-based inference. We train a deep neural network to map a simulated multiband image to a variational distribution over the underlying shear field, thereby folding galaxy detection, deblending, measurement, and calibration into a single implicit inference step. Once trained, the network accounts for all features present in the simulated images, including potential sources of bias. In experiments on simulated constant-shear images with increasingly complex observational effects, NPE produces accurate and well-calibrated posterior approximations for both shear components in the presence of blended galaxies, spatially varying point spread functions, stars, and detector artifacts. These results demonstrate that NPE can be a viable shear estimation method in settings where all anticipated features and artifacts can be simulated, a requirement that will become increasingly feasible as simulation fidelity improves in the coming decades.
• Abstract（参考訳）: 画像から弱い重力レンズのせん断を推定するための一般的なアプローチは、銀河を検出し、楕円性を推定し、これらの推定を画像ノイズ、選択バイアス、モデル誤特定の修正のために調整することである。 このパイプラインの基盤となる統計モデルと仮定を特徴づけることは困難であり、様々な段階を通じて不確実性を伝播させることは困難である。 代案として、シミュレーションベース推論の一種であるニューラルリテラル推定(NPE)を用いたせん断推定を提案する。 我々は、シミュレーションされたマルチバンド画像を、下層のせん断場上の変動分布にマッピングするために、ディープニューラルネットワークを訓練し、銀河検出、偏向、測定、キャリブレーションを単一の暗黙的推論ステップに分割する。 トレーニングが完了すると、ネットワークはシミュレーション画像に存在するすべての特徴を説明できる。 NPEは、複雑な観測効果を持つシミュレーションされた定距離画像の実験において、混合銀河の存在、空間的に変化する点拡散関数、星、検出器のアーティファクトの存在下で、両方のせん断成分の正確かつよく校正された後部近似を生成する。 これらの結果から,NPEは期待されるすべての特徴やアーティファクトをシミュレートできる設定において,実行可能なせん断推定手法となり得ることが示唆された。

関連論文リスト

• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Robust variational neural posterior estimation for simulation-based inference [0.0]
  頑健な変動性神経後部推定(RVNP)を導入する。 RVNPは、変分推論と誤りモデリングを用いた償却シミュレーションと現実間ギャップにおける誤特定の問題に対処する。
  論文  参考訳（メタデータ） (2025-09-06T14:10:49Z)
• 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)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Realistic galaxy image simulation via score-based generative models [0.0]
  本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。 主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
  論文  参考訳（メタデータ） (2021-11-02T16:27:08Z)
• A Bayesian Convolutional Neural Network for Robust Galaxy Ellipticity Regression [5.129856875153228]
  銀河の楕円性を確実に推定する畳み込みニューラルネットワークを提案する。 畳み込みネットワークは、画像内のノイズの存在による不確かさを校正し、適切なアレエータ的不確かさを正しく推定するように訓練できるが、信頼できる楕円性分布を生成することができない。
  論文  参考訳（メタデータ） (2021-04-20T14:01:57Z)

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。