論文の概要: A General-Purpose VLM Can Teach an Astronomy Foundation Model to Better Recognize Galaxy Morphology
- arxiv url: http://arxiv.org/abs/2608.02300v1
- Date: Mon, 03 Aug 2026 14:26:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.600582
- Title: A General-Purpose VLM Can Teach an Astronomy Foundation Model to Better Recognize Galaxy Morphology
- Title（参考訳）: 一般目的VLMは、銀河形態の認識を改善するために天文学の基礎モデルを教えることができる
- Abstract要約: VLMに基づくVQAシステムは、下流形態素分類器の弱い監督に役立つ有意義な視覚的セマンティックな先入観を含むことを示す。
我々は、大規模なGalaxy Zooアノテーションで事前訓練された天文学基礎モデルであるZoobotのための形態学教師として汎用VLMを使用している。
- 参考スコア（独自算出の注目度）: 40.56594396436931
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Existing astronomy foundation models provide strong galaxy representations, but adapting them to new survey conditions and survey-specific morphology recognition tasks still requires substantial human supervision. We show that VLM-based VQA systems contain meaningful visual-semantic priors that can serve as weak supervision for downstream morphology classifiers and improve morphology classification under limited human-label budgets. We first introduce a survey-oriented VQA benchmark spanning two representative imaging regimes and evaluate state-of-the-art VLMs on galaxy morphology questions. The results show that these models capture useful morphology signals and informative uncertainty, but are not sufficiently reliable to replace human annotators. Motivated by this finding, we use a general-purpose VLM as a morphology teacher for Zoobot, an astronomy foundation model pretrained on large-scale Galaxy Zoo annotations. Across two survey domains and multiple annotation budgets, the VLM teacher consistently improves Zoobot's downstream morphology classification. These results demonstrate that a general-purpose VLM provides knowledge complementary to an astronomy foundation model and can teach it to better recognize galaxy morphology under limited human supervision. The resulting pipeline is designed for label-efficient adaptation to forthcoming large-scale surveys, including the Vera C. Rubin Observatory's Legacy Survey of Space and Time (LSST) and the Nancy Grace Roman Space Telescope. The benchmark and code are publicly available at https://github.com/fw-ic/VLM-morphology-teacher.
- Abstract（参考訳）: 既存の天文学基盤モデルは強い銀河表象を提供するが、新しい調査条件に適応し、調査固有の形態認識タスクは依然としてかなりの人的監督を必要とする。
VLMをベースとしたVQAシステムは,下流形態素分類器の弱い監督や,限られた予算下での形態素分類の改善に寄与する有意義な視覚的セマンティックな先行情報を含むことを示す。
まず,2つの代表的なイメージング体制にまたがる調査指向のVQAベンチマークを導入し,銀河形態問題に対する最先端のVLMの評価を行った。
その結果、これらのモデルは有用な形態信号と情報的不確かさを捉えるが、人間のアノテータを置き換えるのに十分な信頼性は得られていないことが示唆された。
この発見に触発されて、我々は大規模なGalaxy Zooアノテーションで事前訓練された天文学の基礎モデルであるZoobotのための形態学教師として汎用的なVLMを使用しました。
2つの調査ドメインと複数のアノテーション予算で、VLMの教師は一貫してZoobotの下流形態分類を改善している。
これらの結果は、汎用的なVLMが天文学の基礎モデルに相補的な知識を提供し、人間の監督の下で銀河形態学をよりよく認識できるように教えることができることを示している。
このパイプラインは、ヴェラ・C・ルービン天文台の宇宙と時間のレガシーサーベイ(LSST)やナンシー・グレース・ロマン宇宙望遠鏡など、今後の大規模なサーベイへのラベル効率の高い適応のために設計された。
ベンチマークとコードはhttps://github.com/fw-ic/VLM-morphology-Teacherで公開されている。
関連論文リスト
- PhysMLLMs: Spatial Priors for Unified Referring Segmentation and Grounded Reasoning of Images and Videos [116.62982600141608]
ビデオ大言語モデルは、言語ガイド付きビデオセグメンテーションをサポートするが、時間的不整合を示すことが多い。
本稿では、物理にインスパイアされた空間連続性をビデオMLLMに注入する訓練段階のプレインジェクションアーキテクチャであるPhysMLLMを提案する。
複数のビデオベンチマークを通じて、PhysMLLMsはビデオセグメンテーションマスクの品質とクロスフレーム一貫性を改善している。
論文 参考訳（メタデータ） (2026-08-25T14:01:59Z) - TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。
我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。
トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。
埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
論文 参考訳（メタデータ） (2026-03-03T13:28:07Z) - Radio Astronomy in the Era of Vision-Language Models: Prompt Sensitivity and Adaptation [5.711705587813085]
VLM(Vision-Language Models)は、ドメイン間の推論が可能な汎用AIシステムである。
我々は、天体コーパスに曝露していないと推定される一般的なVLMが、電波銀河のモルフォロジーに基づく分類を行うことができるかどうかを評価する。
論文 参考訳（メタデータ） (2025-08-31T14:31:47Z) - Can AI Dream of Unseen Galaxies? Conditional Diffusion Model for Galaxy Morphology Augmentation [4.3933321767775135]
本研究では,機械学習データを拡張するために,現実的な銀河画像を合成するための条件拡散モデルを提案する。
本研究では,本モデルが特定の形態的特徴条件に密着した多彩な高忠実度銀河画像を生成することを示す。
このモデルにより、生成外挿により、よく注釈付けされたデータを未知の領域に投影し、希少なオブジェクト検出を進めることができる。
論文 参考訳（メタデータ） (2025-06-19T11:44:09Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - Spiral-Elliptical automated galaxy morphology classification from
telescope images [0.40792653193642503]
我々は、望遠鏡の銀河画像から効率的に抽出できる2つの新しい銀河形態統計、降下平均と降下分散を開発した。
我々は,Sloan Digital Sky Surveyの銀河画像データを用いて,提案した画像統計の有効性能を実証した。
論文 参考訳（メタデータ） (2023-10-10T22:36:52Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - Morphological classification of astronomical images with limited
labelling [0.0]
本稿では, 対向オートエンコーダ(AAE)モデルの能動的学習に基づく, 銀河形態分類の効果的な半教師付き手法を提案する。
2値分類問題(Galaxy Zoo 2決定木のトップレベル問題)では、わずか0.86万のマークアップアクションで、テスト部分で93.1%の精度を達成した。
マークアップ精度が95.5%のベストモデルです。
論文 参考訳（メタデータ） (2021-04-27T19:26:27Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳（メタデータ） (2021-02-25T18:59:21Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z)
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。