Detection and Removal of Artifacts in Astronomical Images
光学光度测量的天文图像通常会受到瞬态伪影的污染，如宇宙射线、卫星尾迹和散射光。我们已经开发并测试了一种算法，该算法使用通过点扩散函数（PSF）均质化、重叠单历元图像的中值组合建立的深、无伪影、静态天空coadd图像来去除这些伪影。通过与无伪影、PSF匹配的模拟图像进行比较，在每个单历元图像中检测和掩蔽瞬态伪影，该模拟图像是使用来自无伪影共加图像的PSF校正的模型拟合目录以及单历元图像的位置变量PSF模型构建的。这种方法不仅适用于清洁比PSF均匀化coadd更差的单历元图像，而且适用于清洁具有更好视觉效果的单历元图像的传统上更具挑战性的问题。除了掩蔽瞬态伪影之外，我们还开发了一种插值方法，该方法使用局部PSF，并且在去除宽度小于PSF半峰全宽的伪影方面表现良好，包括宇宙射线、饱和恒星的峰值和出血痕迹。我们已经测试了这个算法的暗能量调查科学验证数据和目前的性能指标。更一般地说，我们的算法可以应用于多次对天空的同一部分进行成像的任何调查。
2016-04-16 astro-ph.IM physics.data-an
Application of machine learning algorithms to the study of noise artifacts in gravitational-wave data
在LIGO数据中搜索天体物理瞬态的灵敏度通常受到瞬态非高斯噪声伪影的限制，这些伪影以足够高的速率发生，使得多个探测器之间的偶然巧合不可忽略。此外，非高斯噪声伪影通常在由平稳噪声贡献的背景上占主导地位。这些“毛刺”很容易被混淆为瞬态引力波信号，它们的鲁棒识别和消除将有助于任何天体物理引力波的搜索。我们将机器学习算法（MLAs）应用于这个问题，使用来自LIGO探测器内辅助通道的数据，这些探测器监测不受天体物理信号影响的自由度。描述这些干扰的随机信道参数的数量也可能非常大; MLA特别适合的区域。我们证明了三个非常不同的MLAs的可行性和适用性：人工神经网络，支持向量机和随机森林。这些分类器识别并消除了两个非常不同的数据集中存在的大部分故障：LIGO第四次科学运行的四周和LIGO第六次科学运行的一周。我们观察到，所有三种算法都同意哪些事件是第六次科学运行数据的10%以内的故障，并通过显示每个分类器使用的不同优化标准生成相同的决策表面来支持这一点，基于似然比统计。此外，我们发现，所有的分类器获得类似的限制性能，这表明我们提取的辅助信道参数中包含的大部分有用信息已经被使用。
2013-03-27 astro-ph.IM
Matched Filtering for the Canadian Hydrogen Observatory and Radio-Transient Detector Galaxy Search
Perimeter Institute for Theoretical Physics；Waterloo Center for Astrophysics, University of Waterloo（滑铁卢大学天体物理中心）；Queen’s University（女王大学）；Arizona State University（亚利桑那州立大学）
CHORD望远镜利用匹配滤波技术解决空间混叠问题，通过重新指向阵列区分混叠信号，提升星系检测精度。
2026-03-05 astro-ph.IM
Proper image subtraction - optimal transient detection, photometry and hypothesis testing
瞬态检测和流量测量通过图像减法站在时域天文学的基础。由于变化的观看条件，图像相减过程是不平凡的，并且现有的解决方案遭受各种问题。从基本的统计原理出发，我们开发了瞬态检测，通量测量和任何图像差异假设检验的最佳统计量。我们推导出一个封闭形式的统计量：（i）在数学上被证明是最佳的瞬态检测统计量的限制背景占主导地位的噪声;（ii）是数值稳定的;（iii）对于准确注册，充分采样的图像，不留下减法或反卷积伪影;（iv）允许自动瞬态检测的理论灵敏度限制，通过提供可靠的检测意义;（v）具有不相关的白噪声;（vi）对于差图像上的任何进一步的统计测试是足够的统计量，并且特别地，允许将粒子撞击和其他图像伪影与真实瞬态区分开;（vii）对于新图像和参考图像的交换是对称的;（viii）计算比一些流行的方法快至少一个数量级;（ix）易于实现。此外，我们提出了这种方法的扩展，使其具有弹性的注册错误，颜色折射错误，和任何噪声源，可以建模。此外，我们还证明了准备参考图像的最佳方法是Zackay \& Ofek（2015 b）中提出的适当的图像加和。我们证明了这种方法的模拟数据和实际观测的Palomar瞬态工厂数据发布2。我们在MATLAB和Python中提供了该算法的实现。
2016-02-10 astro-ph.IM
A novel method for transient detection in high-cadence optical surveys: Its application for a systematic search for novae in M31
在大规模的时域调查中，数据处理，从采集到源的检测，通常是自动化的。主要挑战之一是人工制品的污染，特别是在强未分辨发射的区域。我们提出了一种新的方法，用于识别候选人的变量和瞬变从这样的调查的数据管道的输出。我们使用的方法来系统地搜索新星的iPTF观测的隆起的M31。我们证明，大多数文物所产生的iPTF管道形成一个局部均匀的背景下的错误检测近似服从泊松统计，而真正的变量和瞬态以及文物与明亮的恒星导致集群的检测，其传播是由源定位精度。这使得问题类似于X射线望远镜产生的图像上的源检测，使人们能够利用X射线天文学中开发的工具。特别是，我们使用基于小波的源检测算法从钱德拉数据分析包CIAO。从iPTF数据管道进行的约2.5x10^5个原始检测开始，我们获得了约4000个唯一源候选。交叉匹配这些候选人与深参考图像的源目录，我们找到对应的约90%。这些是由于不完美的PSF匹配或真正的变量源造成的伪影。其余约400个检测为瞬态源。我们确定新星在这些候选人中应用选择削减的基础上预期的新星光变曲线的属性。因此，我们恢复了在调查期间登记的所有12颗已知新星，并发现了3颗新星候选者。我们的方法是通用的，可以适用于挖掘任何目标的文物在光时域数据。由于它是完全自动化的，它的不完整性可以准确地计算和纠正。
2016-12-01 astro-ph.GA astro-ph.IM
Filtering in CMB data analysis with application to ACT DR4 and Planck observations
针对ACT DR4与Planck 2018 CMB功率谱差异，本文研究傅里叶空间滤波和亮点源掩膜产生的十字形伪影对互谱的影响，发现其不足以解释两者差异。
2025-07-28 astro-ph.CO astro-ph.IM
Effective Image Differencing with ConvNets for Real-time Transient Hunting
University of Freiburg（弗莱堡大学）；Caltech（加州理工学院）
大型巡天越来越多地依赖于图像减法管道进行实时（和存档）瞬态检测。在这个过程中，人们必须与变化的PSF，许多源中的小亮度变化，以及饱和恒星造成的伪影，以及一般的匹配误差作斗争。通常，差分是用比单个图像更深的参考图像来完成的，并且伴随的噪声特性的差异也可能导致伪影。我们在这里提出了一种用于瞬态检测的深度学习方法，它将传统图像减法流水线的所有步骤-图像配准，背景减法，噪声去除，psf匹配和减法-封装到单个实时卷积网络中。一旦经过训练，该方法的工作速度非常快，并且考虑到它一次完成多个步骤，对于ZTF和LSST等多CCD快速测量的优势是显而易见的。
2017-10-04 astro-ph.IM cs.CV
DANTE: A Reference-Guided Unsupervised Pipeline for Extended-Transient Anomaly Characterization in LIGO O4a
提出DANTE管道，利用预训练Vision Transformer提取时频图局部嵌入，结合自适应狄利克雷过程混合模型，无监督地发现和分类LIGO O4a数据中的非平稳瞬态异常，并解决领域偏移问题。
2026-10-01 astro-ph.IM gr-qc
The GWAC Data Processing and Management System
GWAC将建成一个5,000 $degree^2$的综合FOV，并已建成1,800平方$degree^2$。在无月的夜晚，10秒曝光图像的极限星等是16 R。在每个观测夜晚，GWAC产生约0.7TB的原始数据，数据处理管道生成数百万个单帧警报。介绍了GWAC数据处理和管理系统（GPMS）的硬件结构、数据库、瞬态候选项的检测-过滤-验证、数据归档以及瞬态检测和系统监控的用户界面。GPMS结合了天文学和计算机领域的通用技术和软件，并使用了深度学习等先进技术。实际应用结果表明，GPMS完全能够满足GWAC科学数据处理的要求。它可以在线完成数百万个瞬变候选项的检测、筛选和验证，并将最终结果实时反馈给天文学家。在2018年10月至2019年12月的观测期间，我们已经发现了102个瞬变。
2020-06-03 astro-ph.IM
Implementation of robust image artifact removal in SWarp through clipped mean stacking
我们实现了一个算法，用于检测和消除文物天文图像的离群拒绝在堆叠过程中。我们的方法是能够解决两个小的，非常重要的文物，如宇宙射线，并通过应用过滤技术来生成单帧掩模，较大的面积，但较低的表面亮度功能，如二次（鬼）图像的明亮的恒星。与构建中值叠加的常用方法相反，只要单帧PSF是适度均匀的，则剪切或离群滤波的平均叠加点扩散函数（PSF）是单帧PSF的线性组合，这是对于弱透镜形状测量或模型拟合光度测量非常重要的性质。此外，它具有优越的噪声特性，与中值叠加相比，可以显著减少曝光时间。我们公开了一个修改版本的SWarp，它实现了裁剪均值堆叠和软件，可以从离群像素列表中生成单帧掩码。
2014-01-16 astro-ph.IM
Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks
在观测天文学中，通过图像差分而无需直接人为干预来发现新瞬变的能力是一项重要任务。对于这类图像分类问题，卷积神经网络（CNN）等机器学习技术已经取得了显着的成功。在这项工作中，我们提出了一个自动瞬态识别的结果与CNN的图像从暗能量调查超新星计划（DES-SN），其主要重点是使用Ia型超新星的宇宙学的现存数据集。通过对CNN进行架构搜索，我们识别出了有效选择非人工产物（例如超新星、变星、活动星系核等）的网络。来自伪影（图像缺陷、误减等），实现了以前的工作与随机森林的效率，而不需要花费任何努力，在功能识别。CNN还帮助我们识别错误标记图像的子集。对该子集中的图像进行重新标记，使用CNN得到的分类结果明显优于以前的结果。
2022-09-02 astro-ph.IM stat.ML
The Difference Imaging Pipeline for the Transient Search in the Dark Energy Survey
我们描述了差异成像管道（DiffImg）用于检测从暗能量调查超新星计划（DES-SN）在其第一个观测季节从2013年8月到2014年2月的深图像中的瞬态。DES-SN是对瞬变现象的搜索，其中在g、r、i、z通带中以大约1周的节奏重复观察到10个3度^2场。观测策略已被优化，以测量高质量的光变曲线和红移的数千Ia型超新星（SN Ia）的目标是测量暗能量参数。基本的DiffImg功能是将每个搜索图像与深度参考图像对齐，进行逐像素减法，然后检查减法图像以获得点源对象的显著正检测。绝大多数检测结果是减影伪影，但在选择要求和使用自动扫描程序进行图像过滤后，每个波段中每次观察每度^2有130个检测结果，其中只有25%是伪影。在第一个观测季节，DES-SN发现了7500个瞬变，每个瞬变都需要在至少两个不同的夜晚进行探测，蒙特卡罗模拟预测，27%的瞬变可能是超新星。另外30%的瞬变是人为的，其余的瞬变大部分是活动星系核和变星。假SNe Ia被覆盖到图像上以严格评估检测效率，并理解DiffImg性能。用假SNe测量的DiffImg效率与来自蒙特卡罗模拟的期望一致，该模拟使用通量及其不确定性的分析计算。在我们的8个具有单历元50%完整性深度23.5的“浅”场中，超新星Ia的效率在红移z 0.7处下降到1/2，在我们的2个具有磁深度24.5的“深”场中，效率在z 1.1处下降到1/2。
2015-09-26 astro-ph.IM
Application of the Trend Filtering Algorithm for Photometric Time Series Data
检测瞬态光变曲线（例如，凌日行星）需要高精度的数据，因此，有效地过滤影响地基广域勘测的系统趋势是很重要的。我们将趋势过滤算法（TFA）（Kovacs等人，2005年）应用于2 MASS校准目录，并选择Palomar瞬变工厂（PTF）光度时间序列数据。TFA在减少光的光的色散曲线方面是成功的，然而，当模板组没有被明智地选择时，它可能过度过滤固有变量并增加“瞬时”色散。为了纠正这些问题，我们修改了原始文献TFA，包括测量不确定性在其计算中，包括辅助数据与噪声相关，并在算法上选择一个模板集，使用聚类算法，建议由不同的作者。这种方法对于适当地解释可变光度精度测量和/或组合数据集可能特别有用。总之，我们的贡献是提供一个MATLAB软件实现的TFA和一些修改测试的合成和真实的数据，总结性能的TFA和各种修改的真实地面数据集（2 MASS和PTF），并评估的功效TFA和修改使用合成光变曲线测试，包括过境和正弦变量。虽然过境变量测试表明，这些修改赋予过境检测没有优势，正弦变量测试表明，在检测精度的潜在改进。
2016-03-18 astro-ph.IM
Long gravitational-wave transients and associated detection strategies for a network of terrestrial interferometers
引力波（GW）的研究传统上集中在持久源（例如，随机噪声或随机背景）或瞬变源（例如，紧凑的双螺旋或核心坍缩超新星），其持续时间为毫秒至秒。我们探讨的可能性，长期GW瞬态与未知的波形持续数秒至数周。我们提出了一种新的分析技术，以弥补短O（s）突发分析和持久的随机分析之间的差距。我们的技术利用频率-时间映射的GW应变交叉功率之间的两个空间分离的地面GW探测器。我们的交叉功率统计搜索GW瞬态的应用框架作为一个模式识别问题，我们讨论了几种模式识别技术。我们证明了这些技术通过恢复模拟GW信号在模拟探测器噪声。我们还恢复环境噪声伪影，从而展示了一种新的技术，用于识别GW干涉仪中的这种伪影。我们比较这个框架的效率，如匹配滤波等其他技术。
2011-02-25 astro-ph.IM gr-qc
Improving agnostic searches of Gravitational Waves from Neutron Star instabilities using image filtering
本文提出了一种提高由中子星不稳定性产生的长瞬变引力波搜索灵敏度的方法。这种方法包括一个选择性的图像滤波器，称为三角滤波器，应用于数据频谱图。它示出，由于这种实现的灵敏度的20%的增益是可以实现的。
2022-09-14 astro-ph.IM gr-qc
Extraction of gravitational wave signals from LISA data in the presence of artifacts
本研究评估了LISA数据中数据中断和仪器瞬变等伪影对银河系双星和大质量黑洞参数推断的影响，发现直接缓解技术能显著抑制伪影，并强调早期探测瞬态引力波以避免数据中断的重要性。
2025-01-27 astro-ph.IM gr-qc physics.data-an
Real-Time RFI Mitigation in SPOTLIGHT: A Two-Stage Approach for Transient Searches
National Centre for Radio Astrophysics (NCRA)（国家射电天文中心）；Indian Institute of Science Education and Research (IISER)（印度科学教育与研究学院）；Silesian University in Opava（奥帕瓦西里西亚大学）；Oxford e-Research Centre (OeRC), University of Oxford（牛津大学牛津电子研究中心）
针对射电暂现源搜寻的RFI抑制难题，为uGMRT的SPOTLIGHT系统开发含VOLT与STRIPE的两阶段实时框架，使虚警率降98%、脉冲S/N提2.7倍，提升探测性能与可靠性。
2026-08-20 astro-ph.HE astro-ph.IM
Investigating the Effects of Point Source Injection Strategies on KMTNet Real/Bogus Classification
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Institute for Astronomy, University of Hawaii（夏威夷大学天体物理研究所）；Seoul National University（首尔国立大学）
本文研究了不同点源注入策略对KMTNet真实/虚假分类的影响，发现随机注入在小行星检测中表现优异，而近星系注入在检测星系附近瞬变事件时效果有限，综合方法则在检测率与假阳性率之间取得平衡。
2025-10-19 astro-ph.IM
TransientViT: A novel CNN - Vision Transformer hybrid real/bogus transient classifier for the Kilodegree Automatic Transient Survey
本文提出TransientViT混合CNN-ViT模型，结合新构建的KATS-T 200K多维时序数据集，用于KATS巡天中真实与虚假瞬变源分类，取得0.97 AUC和99.44%准确率，并通过投票集成进一步提升可靠性。
2023-09-18 astro-ph.IM
A GPU-Accelerated Transient Detection Pipeline for DECam Time-Domain Surveys
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）；Texas A. & M. University（德克萨斯农工大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出了一种基于GPU的DECam时域巡天暂现体检测流水线，通过SFFT算法和CNN实虚分类实现高效暂现体识别和光变曲线生成，提升了暂现体发现的效率和准确性。
2026-03-09 astro-ph.IM
VOLKS2: a transient search and localization pipeline for VLBI observations
我们介绍VOLKS 2，“VLBI观测瞬态定位敏锐的搜索器”的第二个版本。该管道的目的是在定期VLBI观测的瞬态搜索，以及从专门的VLBI观测已知来源的单脉冲的检测。该方法借鉴了大地VLBI数据处理的思想，包括最大化信号功率的条纹拟合和定位的大地VLBI解算。通过在基线内用多个窗口对候选信号进行滤波，并与多个基线进行交叉匹配，有效地消除了射频干扰。与基于台站自动频谱的方法不同，在VOLKS 2管道中不需要RFI标记。进行了EVN观测（EL060），以验证管道在整个FoV范围内的检测效率和定位精度。该流水线通过MPI并行化，并通过GPU进一步加速，以充分利用现代GPU集群的硬件资源。我们可以证明，通过适当的优化，VOLKS 2可以实现与基于自动频谱的管道相当的性能。所有的代码和文件都是公开的，希望我们的管道是有用的无线电瞬态研究。
2021-08-13 astro-ph.IM
Machine Learning Supports Existence of Previously Unrecognized Transient Astronomical Phenomena in Historical Observatory Images
Vanderbilt University Medical Center（范德堡大学医学中心）；Independent Researcher（独立研究者）；Instituto de Astrofísica de Canarias（加那利群岛天体物理研究所）；Nordita, KTH Royal Institute of Technology and Stockholm University（诺迪塔，皇家理工学院和斯德哥尔摩大学）
本文利用机器学习方法提高对历史天文图像中短暂天体的识别准确性，验证了在核试验窗口期和地球阴影缺失期短暂天体数量的变化，支持了未被识别的短暂天体存在的可能性。
2026-04-22 astro-ph.IM
M-EPDet: Real-Time Real-Bogus Classification and Transient Candidate Judgement for the EP-WXT Pipeline via Multi-Modal Data
National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）；University of Chinese Academy of Sciences（中国科学院大学）；National Astronomical Data Center（国家天文数据中心）
提出M-EPDet三阶段框架，结合ResNet臂滤波器、双分支时-谱宇宙射线滤波器和背景感知贝叶斯块模块，实现EP-WXT数据实时候选筛选，真实源召回率98.31%，候选量减少99.25%。
2026-06-25 astro-ph.IM
Machine-learning Selection of Optical Transients in Subaru/Hyper Suprime-Cam Survey
我们提出了一个应用程序的机器学习（ML）技术选择源的光学瞬态调查数据与超Suprime-Cam（HSC）的斯巴鲁望远镜。我们的目标是准确地选择真正的瞬态事件，及时地从大量的虚假候选人，获得与标准的差异成像方法。我们已经开发了基于AUC Boosting，随机森林和深度神经网络三种ML机器的多数投票的瞬态选择器。我们将其应用于2015年5月和8月的Subaru-HSC观测运行，并证明了它在选择光学瞬态方面的有效性。在22.0--25.0等量级范围内，真阳性率为90%时，假阳性率为1.0%。对于后一次运行，我们在观测的同一天内成功地探测并报告了10颗超新星候选者。从这些运行中，我们学到了以下教训：（1）使用人工对象的训练在过滤错误候选项方面是有效的，特别是对于微弱的对象，以及（2）通过多数投票组合ML是有利的。
2016-09-12 astro-ph.IM
Simulating Transient Noise Bursts in LIGO with Generative Adversarial Networks
引力波干涉仪的噪声限制了它们的灵敏度，影响了数据质量，阻碍了对来自天体物理源的引力波信号的检测。对于瞬态搜索，最有问题的是瞬态噪声伪影，称为毛刺，其以大约$ 1 \text{ min}^{-1}$的速率发生，并且可以模仿GW信号。正因为如此，在大规模研究中需要更好的建模和包含故障，例如管道的压力测试。在这个概念验证工作中，我们采用了生成对抗网络（GAN），这是一种受博弈论启发的最先进的深度学习算法，用于学习blip毛刺的潜在分布并生成人工种群。我们在时域中重建毛刺，提供GAN可以学习的平滑输入。使用这种方法，我们可以在不到一秒的时间内创建Hanford和Livingston探测器的$\sim 10^{3}$毛刺分布。此外，我们采用了几个指标来衡量我们的方法的性能和它的生成的质量。这项调查将在未来扩展到不同的故障类，最终目标是创建一个用于模拟数据生成的开源接口。
2022-03-21 astro-ph.IM
RFI Flagging Implications for Short-Duration Transients
现代射电望远镜的视野很宽，在成像测量模式下，通常可以覆盖天空中任何位置，因此提供了一个自然适合搜索罕见瞬变的数据流。然而，射频干扰（RFI）可以以类似于这种瞬变的方式出现在数据流中，并且因此过滤RFI（标记）的正常预处理也可以在成像之前从数据流中去除天体物理瞬变。在本文中，我们研究如何标准标记影响这种瞬态的可检测性，通过检查的情况下，用于低频阵列（LOFAR; \citep{LOFAR}）调查的观察模式中的瞬态检测。我们量化的通量范围内的瞬变，将被检测到，并减少其SNR由于部分标记。我们发现，具有接近积分采样时间的持续时间的瞬态，以及具有数十秒量级的持续时间的明亮瞬态，被完全标记。对于几十秒到几分钟量级的较长瞬变，标记效应不那么严重，尽管部分信号丢失。对于这些瞬态，我们提出了一个修改后的标记策略，减轻了标记对瞬态信号的影响。我们还提出了一个脚本，它使用这两种策略之间的差异，和已知的瞬态RFI和天体物理瞬态之间的差异，通知观察者时，潜在的瞬态数据流。
2018-04-12 astro-ph.IM
The IPAC Image Subtraction and Discovery Pipeline for the intermediate Palomar Transient Factory
我们描述了近实时瞬态源发现引擎的中间帕洛玛瞬态工厂（iPTF），目前在加州理工学院的红外处理和分析中心（IPAC）的操作。我们将这个系统称为IPAC/iPTF发现引擎（或IDE）。我们回顾了用于PSF匹配，图像相减，检测，光度测定和机器学习（ML）审查提取的瞬态候选人的算法。我们还回顾了我们的ML分类器的性能。对于相对未混淆区域中的4的限制性信噪比，来自处理伪影和不完美图像减法的“假”候选者的数量超过真实瞬变的数量约10：1。对于具有不准确的天体测量和/或PSF匹配解决方案的图像数据，这可能会相当高。尽管这种偶尔的高污染率，ML分类器能够识别真正的瞬变，效率（或完整性）约为97%，最大可容忍的假阳性率为1%，当分类原始候选人。所有减影图像指标、源特征、基于ML概率的真假分数、来自其他调查的上下文元数据以及与已知太阳系天体的可能关联都存储在关系数据库中，供各个科学工作组检索。我们回顾了我们在减少假阳性方面所做的努力，以及我们在优化整个系统以应对iPTF正在进行的大量科学项目方面的经验。
2016-10-04 astro-ph.IM
TESSreduce: transient focused TESS data reduction pipeline
自发射以来，TESS为天空中的物体提供了高节奏的观测。虽然高节奏TESS观测为研究众多物体的快速时间演化提供了独特的可能性，但数据中的伪影使其在研究瞬态时特别具有挑战性。此外，TESS的宽带红色滤波器使得将其校准到物理通量单位或幅度具有挑战性。在这里，我们介绍了TESSreduce一个开源的，用户友好的Python包，它是为了降低TESS瞬态科学的入门门槛而构建的。在几个命令中，用户可以生成可靠的TESS光变曲线，考虑其他模型中存在的系统偏差（例如仪器漂移和变化的TESS背景），并计算零点到百分比水平的精度。有了这个软件包，任何人都可以使用TESS进行科学研究，例如研究快速瞬变和限制超新星的祖先。
2021-11-29 astro-ph.HE astro-ph.IM
Detecting very long-lived gravitational-wave transients lasting hours to weeks
我们探讨了非常长寿的引力波瞬变（和检测器文物）持续数小时至数周的可能性。这样的非常长的信号在其自身方面和作为搜索持久信号时的系统误差的潜在源两者都是令人感兴趣的，从随机的引力波背景。我们回顾这些时间尺度上的发射可能的机制，并讨论与它们的检测相关的计算挑战：即，在搜索很长的瞬变过程中涉及的大量数据可能需要大量的计算机内存和处理时间。这些计算困难可以通过一种称为粗粒度的数据压缩形式来解决，其中丢弃关于短时间跨度的信息以减少搜索的计算要求。使用数据压缩，我们证明了一个有效的辐射计（互相关）算法检测很长的瞬态。在这个过程中，我们确定了一个非常长的瞬态搜索（与地球的旋转），使其更复杂的搜索较短的瞬态信号的功能。我们提供合适的解决方案。
2015-05-12 astro-ph.IM gr-qc
Deep-HiTS: Rotation Invariant Convolutional Neural Network for Transient Detection
Millennium Institute of Astrophysics（千年天体物理研究所）；Center for Mathematical Modeling, Universidad de Chile（智利大学数学建模中心）；AURA Observatory in Chile（智利AURA天文台）；Universidad de Chile（智利大学）
我们引入Deep-HiTS，一种旋转不变卷积神经网络（CNN）模型，用于将瞬态候选图像分类为高节奏瞬态调查（HiTS）的伪影或真实源。CNN具有从数据中自动学习特征的优势，同时实现高性能。我们将我们的CNN模型与使用随机森林（RF）的特征工程方法进行比较。我们表明，我们的CNN显着优于RF模型减少了近一半的误差。此外，对于每晚大约2，000个允许的假瞬变候选的固定数量，我们能够将误分类的真实瞬变减少大约1/5。据我们所知，这是CNN第一次被用于检测天文瞬态事件。我们的方法将是非常有用的处理图像时，从下一代仪器，如大型综合巡天望远镜（LSST）。我们已经向社区提供了我们所有的代码和数据，以便在https://github.com/guille-c/Deep-HiTS上进行进一步的开发和比较。
2017-01-02 astro-ph.IM cs.CV
Transient glitch mitigation in Advanced LIGO data with $\textit{glitschen}$
“毛刺”--由LIGO和Virgo等引力波干涉仪收集的数据中的瞬态噪声伪影--是搜索和表征引力波信号的一个始终存在的障碍。由于一些具有类似于高质量、高质量比和极端自旋双黑洞事件的形态，它们限制了对这些源的敏感性。它们还可以作为所有来源的污染物，需要在进行天体物理推断之前进行有针对性的缓解。我们提出了一个数据驱动的，经常遇到的故障类型的参数模型，使用概率主成分分析。作为参数化引力波信号模型的噪声模拟，它可以很容易地被纳入现有的搜索和探测器表征技术。我们已经用开源的glitschen包实现了我们的方法。使用LIGO目前最有问题的故障类型（“光点”和“tomte”），我们证明可以构建适度维度的参数模型，并用于频率论和贝叶斯分析中的有效缓解。
2022-01-19 astro-ph.IM gr-qc
GSpyNetTreeS: a machine learning solution for glitch localization in time and frequency
The University of British Columbia（不列颠哥伦比亚大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Massachusetts Institute of Technology（麻省理工学院）；University of British Columbia（不列颠哥伦比亚大学）
GSpyNetTreeS基于You Only Look Once算法，实现探测器噪声瞬变的自动检测、分类与时频定位，提升引力波事件验证效率。
2025-11-21 astro-ph.IM gr-qc hep-ph
