深度学习（DL）在解决各个领域的反问题方面取得了显着的成果。特别是，Tikhonet方法非常强大，可以对光学天文图像进行去卷积（Sureau et al. 2020）。然而，该方法仅使用了$\ell_2$损失，这不能保证图像中重建的对象的物理信息（例如，通量和形状）的保留。在Nammour et al.（2021）中，在稀疏反卷积的框架下提出了一种新的损失函数，该函数更好地保留了星系的形状并降低了像素误差。在本文中，我们扩展Tikhonet考虑到这种形状约束，并应用我们的新DL方法，称为ShapeNet，光学和无线电干涉模拟数据集。本文的原创性依赖于i）我们在神经网络框架中使用的形状约束，ii）深度学习首次应用于无线电干涉图像反卷积，iii）我们为社区提供的模拟无线电数据集的生成。一系列的例子说明了结果。
英文摘要：
Deep Learning (DL) has shown remarkable results in solving inverse problems in various domains. In particular, the Tikhonet approach is very powerful to deconvolve optical astronomical images (Sureau et al. 2020). Yet, this approach only uses the $\ell_2$ loss, which does not guarantee the preservation of physical information (e.g. flux and shape) of the object reconstructed in the image. In Nammour et al. (2021), a new loss function was proposed in the framework of sparse deconvolution, which better preserves the shape of galaxies and reduces the pixel error. In this paper, we extend Tikhonet to take into account this shape constraint, and apply our new DL method, called ShapeNet, to optical and radio-interferometry simulated data set. The originality of the paper relies on i) the shape constraint we use in the neural network framework, ii) the application of deep learning to radio-interferometry image deconvolution for the first time, and iii) the generation of a simulated radio data set that we make available for the community. A range of examples illustrates the results.
PSF Deconvolution of the IFU Data and Restoration of Galaxy Stellar Kinematics
我们提出了一个性能测试的点扩散函数反卷积算法应用于天文积分场单元（IFU）光谱数据恢复星系运动学。我们通过将Lucy-Richardson算法应用于每个波长的2D图像切片来对IFU数据进行反卷积。我们证明，该算法可以有效地恢复真实的恒星运动学的星系，通过使用模拟IFU数据与不同的组合的表面亮度剖面，S/N，视线几何和视线速度分布（LOSVD）。此外，我们表明，代理的自旋参数$λ_{R_{e}}$可以准确地测量从去卷积的IFU数据。我们将反卷积算法应用于实际的SDSS-IV MaNGA IFU调查数据。从去卷积的MaNGA IFU数据测量的2D LOSVD、几何结构和$λ_{R_{e}}$与从原始IFU数据测量的相比显示出明显差异。该方法可以应用于任何其他规则网格IFU数据，以提取PSF去卷积的空间信息。
A New PSF Deconvolution Algorithm: Simultaneous Spatial Resolution Enhancement and Point Source Removal for Morphological Analysis of AGN Host Galaxies
A Non-Negativity Iterative Approach to Image Deconvolution for SKA
School of Physics and Astronomy, Sun Yat-sen University（中山大学物理与天文学院）；CSST Science Center for the Guangdong-Hong Kong-Macau Greater Bay Area（粤港澳大湾区宇宙大尺度结构与星系中心科学中心）
Ground-based image deconvolution with Swin Transformer UNet
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；Université Paris Cité（巴黎西岱大学）；CEA（法国原子能和替代能源委员会）；CNRS（法国国家科学研究中心）；Foundation for Research and Technology Hellas (FORTH)（希腊研究与技术基金会）
Echoes in the Noise: Posterior Samples of Faint Galaxy Surface Brightness Profiles with Score-Based Likelihoods and Priors
Université de Montréal（蒙特利尔大学）；Ciela Institute（谢拉研究所）；Mila（米拉研究所）；ICRAR（国际射电天文学研究中心）；Kavli IPMU（卡弗里数物连携宇宙研究机构）；CCA, Flatiron Institute（熨斗研究所计算天体物理学中心）；Trottier Space Institute（特罗蒂尔空间研究所）；Perimeter Institute（圆周理论物理研究所）
POLISH'ing the Sky: Wide-Field and High-Dynamic Range Interferometric Image Reconstruction with Application to Strong Lens Discovery
Department of Computing and Mathematical Sciences, California Institute of Technology (Caltech), Pasadena, CA, USA（计算与数学科学系，加州理工学院（Caltech），帕萨迪纳，CA，美国）；Center for Astrophysics ∣ \mid Harvard & Smithsonian, Cambridge, MA, USA（天体物理中心，哈佛与史密松尼天体物理研究中心，剑桥，MA，美国）
Image feature extraction and galaxy classification: a novel and efficient approach with automated machine learning
在这项工作中，我们探讨了应用机器学习方法设计的一维问题的银河系图像分类的任务的可能性。用于图像分类的算法通常依赖于多个昂贵的步骤，例如点扩散函数（PSF）去卷积以及数千甚至数百万参数的复杂卷积神经网络（CNN）的训练和应用。在我们的方法中，我们从星系图像中提取特征，通过分析椭圆等照度线在其光分布和收集的信息序列。用这种方法获得的序列呈现出明确的特征，允许直接区分星系类型，而不是平滑的Sérsic轮廓。然后，我们训练和分类序列的机器学习算法，设计通过平台Modulos AutoML，并研究他们如何优化分类任务。作为这种方法的演示，我们使用第二次公开发布的暗能量调查（DES DR 2）。我们表明，通过将其应用到这个样本，我们能够成功地区分早期型和晚期型星系，图像的信噪比大于300。这产生了$86\%$的早期类型的星系和$93\%$的晚期类型的星系，这是与大多数当代的自动图像分类方法。我们的新方法允许对星系图像进行准确分类，并且比其他方法更快。数据降维也意味着计算成本的显着降低。从欧几里得和维拉鲁宾天文台（VRO）获得的未来数据集的角度来看，这项工作代表了一条使用经过良好测试和广泛使用的工业平台有效解决千兆字节规模星系分类问题的道路。
