論文の概要: SIFARI: Self-Supervised Interferometric Fitting for Astronomical Radio Imaging
- arxiv url: http://arxiv.org/abs/2609.35966v1
- Date: Mon, 28 Sep 2026 18:00:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.913217
- Title: SIFARI: Self-Supervised Interferometric Fitting for Astronomical Radio Imaging
- Title（参考訳）: SIFARI:天文学的電波イメージングのための自己監督型干渉計
- Abstract要約: 本稿では, 画像トレーニングセットや空間正規化器を使わずに, 自監督型ネットワークSIFARI(Self-Supervised Interferometric Fitting for Astronomical Radio Imaging)を提案する。
合成ALMA試験では、SIFARIは自然重み付けのCLEAN復元ビームの約8倍の効率的な点源応答が得られる。
また、3つの形態素ベンチマークで復元されたCLEAN画像よりも画像の忠実度が高い。
- 参考スコア（独自算出の注目度）: 7.692023637740809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio-interferometric images are reconstructed from sparsely sampled visibilities, and CLEAN-based imaging can struggle with spatial filtering, complex morphologies, and uncertainty quantification. Alternative methods that fit visibilities directly can address some of these limitations but often require manual choices of image priors and model hyperparameters. We present SIFARI (Self-Supervised Interferometric Fitting for Astronomical Radio Imaging), a self-supervised neural network workflow that represents sky brightness as a continuous function of position and fits measured visibilities without an external image training set or explicit spatial regularizer. An empirical rule sets the Fourier feature scale from the visibilities before training, controlling how readily the network fits fine structure. Sampling network weights with Stochastic Weight Averaging-Gaussian (SWAG) gives approximate brightness uncertainty estimates, which we combine with a thermal-noise floor to construct spatially resolved signal-to-noise maps. In synthetic ALMA tests, SIFARI yields an effective point-source response about eight times narrower than the natural-weighting CLEAN restoring beam and recovers more extended flux than CLEAN when short baselines are missing. It also achieves higher image fidelity than the restored CLEAN images in all three morphology benchmarks. Applied to ALMA observations of PDS 70, SIFARI recovers the bright outer ring together with faint compact emission in the central cavity. For long-baseline-only WISPIT 2 data, SIFARI supplies a sky model for phase self-calibration where the CLEAN model is inadequate. The restored, self-calibrated SIFARI image has approximately 30% lower RMS noise than the CLEAN image made from the original visibilities without self-calibration.
- Abstract（参考訳）: ラジオインターフェロメトリ画像は、わずかにサンプリングされた鮮度から再構成され、CLEANベースの画像は、空間フィルタリング、複雑な形態、不確実な定量化に苦しむ。
可視性に直接適合する別の方法は、これらの制限のいくつかに対処できるが、しばしば手動で画像の優先順位とモデルハイパーパラメータを選択する必要がある。
SIFARI (Self-Supervised Interferometric Fitting for Astronomical Radio Imaging) は、空の明るさを連続的な位置の関数として表現し、外部画像トレーニングセットや空間正規化器を使わずに測定可能な、自己教師付きニューラルネットワークワークフローである。
実験的なルールでは、ネットワークがいかに微細な構造に収まるかを制御し、トレーニング前にフーリエ特徴スケールを可視性から設定する。
ネットワーク重みをStochastic Weight Averaging-Gaussian (SWAG) でサンプリングすることで、熱ノイズフロアと組み合わせ、空間的に解決された信号-雑音マップを構築することができる。
合成ALMA試験では、SIFARIは自然重み付けのCLEAN復元ビームの約8倍の有効点源応答を示し、短いベースラインが欠落した場合にCLEANよりも拡張されたフラックスを回復する。
また、3つの形態素ベンチマークで復元されたCLEAN画像よりも画像の忠実度が高い。
PDS 70のALMA観測に応用すると、SIFARIは中心空洞のかすかなコンパクトな放出とともに明るい外側の環を回復する。
長いベースラインのみのWISPIT 2データに対して、SIFARIはCLEANモデルが不十分な位相自己校正のためのスカイモデルを提供する。
復元された自己校正SIFARI画像は、自己校正なしでオリジナルの可視性から得られたCLEAN画像よりも約30%低いRMSノイズを有する。
関連論文リスト
- Physics-Guided Multi-Objective Deep Learning for Ultrasound RF Data Interpolation in Resource-Constrained Imaging [6.326228280323657]
スパースデータを用いた画像再構成は、コヒーレントビームフォーミングプロセスにおいて不十分な位相情報を導入することができる。
本稿では、下流画像形成設定とトレーニングを整合させる、スパース・トゥ・ディエンス電波物理再構成のためのデータ駆動フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-23T20:37:22Z) - Odometry-Aided Real-Time Mapping for Underwater Robots Using Forward-Looking Sonar [51.8931180857129]
前向きソナー(FLS)のリアルタイムマッピングは、未解決の目標高度、空間的に一様でないノイズ、断片化された目標境界のため、依然として困難である。
本稿では,高速フーリエ変換(FFT)に基づくデノイング,高速マルチスケール定数偽アラームレート(MCFAR)検出,勾配適応境界接続を組み合わせたケースケード型特徴再構成パイプラインを提案する。
3m×5mプールにおける実験では,3列に3cm未満のルート平均二乗誤差(RMSE)とフレーム平均処理時間42.4msのセンチスケール平面マッピング精度が示された。
論文 参考訳（メタデータ） (2026-09-21T07:10:04Z) - Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets [43.71958109614362]
近距離赤外小ターゲット(CSIST)は一般的にエネルギーの重なりを見せ、赤外線画像では識別不能なブロブとして現れる。
この曖昧さは、従来の検出の1対1のマッピング仮定を無効にする。
深層展開が不要であることを示す一段軽量パラダイムを提案する。
論文 参考訳（メタデータ） (2026-07-17T14:42:51Z) - LUCID: Learned Undersampling-Adaptive Consistency-Guided Inference with Deterministic Flow Matching for Sparse-View CT Reconstruction [6.182438051513934]
スパースビューCTはプロジェクションビューを減らすことで放射線線量と走査時間を短縮する。
角のアンダーサンプリングは、復元がひどく悪化し、ストリークアーティファクト、構造的なぼやけ、細部が失われる。
スパース・ビューCTに先立って,フローマッチング生成に基づく疎結合型一貫性誘導型再構成フレームワークであるLucidを提案する。
論文 参考訳（メタデータ） (2026-06-15T04:38:30Z) - Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors [3.412182028038034]
ZS-SSLは磁気共鳴画像(MRI)の再生に期待できるパラダイムとして登場した。
本稿では、画像領域の非局所的な先行値と物理の整合性を相乗化するための堅牢な物理駆動フレームワークを提案する。
提案手法は,特に加速係数が高い場合の最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-13T04:57:19Z) - 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) - FUMO: Prior-Modulated Diffusion for Single Image Reflection Removal [51.98991734660274]
本稿では、空間制御性と構造忠実性を改善するために、明示的な誘導信号を導入した事前変調フレームワーク(FUMO)を用いた拡散モデルを提案する。
標準ベンチマークと野生での挑戦的な画像の両方で実施された実験は、競争力のある定量的結果を示し、知覚品質を継続的に改善した。
論文 参考訳（メタデータ） (2026-03-19T15:33:11Z) - Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
リプシッツ規則化物体検出(LROD)
本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。
ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
論文 参考訳（メタデータ） (2025-10-28T09:41:42Z) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。
REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。
このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
論文 参考訳（メタデータ） (2020-07-21T17:30:51Z)
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。