Closed form solution of the maximum entropy equations with application to fast radio astronomical image formation
本文分析了最大熵图像反卷积。我们表明，给定拉格朗日乘子的封闭形式，可以得到的图像参数。使用这个解决方案，我们能够提供更好的理解最大熵算法的一些已知的行为。该解决方案还产生了一个非常有效的实施中使用的AIPS包的最大熵反卷积技术。它需要计算单个脏图像和每个像素的初等函数的逆。
2009-04-16 astro-ph.IM
Interval estimate with probabilistic background constraints in deconvolution
我们在这篇文章中提出了使用概率背景约束天文图像反卷积接近的解决方案作为一个区间估计。阐述了我们的目标--从观测数据中对未知目标进行区间估计，以及我们的方法--蒙特卡洛实验和图像值的边缘分布分析。一维观测和反褶积使用所提出的方法进行了模拟。置信区间揭示了由于背景约束的不确定性的计算和显着性水平的恢复图像中检索到的源。
2012-11-15 astro-ph.IM
3-D deconvolution of hyper-spectral astronomical data
本文提出了一种基于正则化卡方2的多通道图像复原的通用前向拟合方法。我们引入了可分离的正则化，它考虑了模型的动态性，并利用了数据中存在的连续性，只留下两个超参数进行调整。我们说明了一个实际的实施，这种方法的背景下，主机星系减法附近的超新星工厂。我们表明，所获得的图像恢复满足该计划所需的偏置和光度的严格要求。重建产生的子百分之综合残差在所有的合成滤波器考虑真实和模拟数据。尽管我们的实现与SNfactory数据绑定，但该方法可以转换为任何高光谱数据。因此，它与MUSE等几种新一代仪器直接相关。此外，这种技术可以应用于多波段天文成像，其中图像重建是重要的，例如，以增加弱透镜调查的图像分辨率。
2011-07-20 astro-ph.CO astro-ph.IM
PI-AstroDeconv: A Physics-Informed Unsupervised Learning Method for Astronomical Image Deconvolution
Research Center for Astronomical Computing（天文计算研究中心）；Zhejiang Laboratory（浙江实验室）
本文提出 PI-AstroDeconv，一种融合望远镜 PSF 物理先验的无监督编码器-解码器架构，利用 FFT 卷积高效处理高分辨率天文图像，并比较 AE 与 U-Net 等回归网络。
2024-03-04 astro-ph.GA astro-ph.IM cs.CV
Bayesian Deconvolution of Astronomical Images with Diffusion Models: Quantifying Prior-Driven Features in Reconstructions
Université Paris Cité（巴黎城市大学）；CNRS（法国国家科学研究中心）；Instituto de Astrofísica de Canarias (IAC)（加那利群岛天体物理学研究所）
本文利用扩散模型和扩散后验采样算法，通过贝叶斯框架实现天文图像反卷积，在HSC数据上达到HST分辨率，并提出度量以量化先验驱动特征。
2025-01-20 astro-ph.GA astro-ph.IM cs.CV
Joint Deconvolution of Astronomical Images in the Presence of Poisson Noise
提出了一种在泊松噪声下结合多仪器观测与基于图像块先验的联合似然反卷积方法Jolideco，显著提升了天文图像重建质量。
2024-03-20 astro-ph.HE astro-ph.IM
Astronomical Data Analysis and Sparsity: from Wavelets to Compressed Sensing
几年来，波函数在天文学中被广泛用于许多目的，从数据过滤和反卷积，到恒星和星系探测或宇宙射线去除。最近的稀疏表示，如脊波或曲波也被提出用于检测各向异性特征，如宇宙微波背景中的宇宙弦。本文回顾了一系列基于稀疏性的天文数据分析方法。我们还讨论了压缩感知，新的采样理论，在天文学中收集数据，将它们传输到地球或从不完整的测量重建图像的影响。
2009-03-19 astro-ph.IM
A Data-driven Approach to X-ray Spectral Fitting: Quasi-Deconvolution
天文源的X射线光谱拟合需要将本征光谱或模型与仪器响应进行卷积。标准的正演模拟技术已被证明成功地恢复了基础的物理参数，在中等到高信噪比制度，但是，他们努力实现相同的精度水平，在低信噪比制度。此外，在X射线光谱上使用机器学习技术需要访问固有光谱。因此，测量的光谱必须有效地从仪器响应中去卷积。在这篇笔记中，我们探索数值方法反演矩阵方程描述X射线光谱卷积。我们表明，传统的方法是不足以恢复固有的X射线光谱，并认为需要一种新的方法。
2021-05-13 astro-ph.IM
UVMULTIFIT: A versatile tool for fitting astronomical radio interferometric data
天文干涉数据的分析通常是对干涉仪的点扩散函数（PSF）进行反卷积后得到的图像进行的。该策略可以被理解（特别是对于稀疏阵列的情况）为将模型拟合到模型，因为去卷积图像已经是实际数据的非唯一模型表示（即，的vitamins）。实际上，干涉图像可能受到可见度网格化、加权方案（例如，自然对均匀），以及（非线性）去卷积算法的细节。将模型拟合到直接干涉观测值（即，在简单的（分析的）天空强度分布的情况下是优选的。在本文中，我们提出了UVMULTIFIT，一个多功能的库，用于拟合可见性数据，在基于Python的框架中实现。我们的软件目前基于CASA包，但可以很容易地适应其他分析包，只要它们有Python API。我们已经用合成数据和实际观测数据测试了该软件。在某些情况下（例如，尺寸小于干涉仪的衍射极限的源），拟合到干涉仪的结果（例如，附近源的光谱）远优于仅从去卷积图像的分析获得的输出。UVMULTIFIT是现有任务的一个强大的改进，从能见度数据中提取最大量的信息，特别是在接近干涉测量观测的灵敏度/分辨率极限的情况下。
2014-02-17 astro-ph.IM
STARRED: a two-channel deconvolution method with Starlet regularization
STARRED是一个基于Starlet小波正则化的双通道天文图像反卷积Python软件包，通过分别重建点源与延展源通道并将图像提升至更高分辨率而非完全消除PSF影响，解决了大气湍流和衍射导致的图像模糊问题。
2023-05-29 astro-ph.IM physics.comp-ph
Efficient deconvolution methods for astronomical imaging: algorithms and IDL-GPU codes
Università di Modena e Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Università di Genova（热那亚大学）
本文应用缩放梯度投影方法到天文成像问题，提出比Richardson-Lucy方法效率高4到30倍以上的算法，并实现IDL和GPU并行加速。
2012-10-09 astro-ph.IM cs.NA math.NA
A convergent blind deconvolution method for post-adaptive-optics astronomical imaging
Università di Ferrara（费拉拉大学）
本文提出了一种适用于受泊松噪声扰动数据的盲反卷积方法，采用广义Kullback-Leibler散度作为目标函数，通过非精确交替最小化方法解决非凸问题，具有全局收敛性，适用于非密集恒星团的重建。
2013-05-02 astro-ph.IM cs.NA math.NA
Solar multi-object multi-frame blind deconvolution with a spatially variant convolution neural emulator
Instituto de Astrofísica de Canarias (IAC)（加那利群岛天体物理研究所）；Universidad de La Laguna（拉古纳大学）
针对地基太阳观测受大气湍流畸变影响、传统反卷积方法效率低易生伪影的问题，提出基于深度神经网络的空间变卷积仿真器框架，用作多目标多帧盲反卷积前向模型，无需斑块拼接，大幅提升反卷积效率与准确性。
2024-05-16 astro-ph.IM cs.CV
Deep Learning-based galaxy image deconvolution
随着大规模天文测量捕获数以百万计的图像的开始，有越来越多的需要开发快速和准确的去卷积算法，以及推广到不同的图像。一个强大而容易使用的反卷积方法将允许重建一个更清晰的天空估计。去卷积图像将有助于进行光度测量，以帮助在星系形成和演化领域取得进展。提出了一种基于学习波变换的反卷积方法。最后，我们研究和比较不同的Unet架构和Learnlet的性能，在天体物理学领域的图像反卷积，通过以下两步的方法：一个Tikhonov反卷积与封闭形式的解决方案，其次是后处理与神经网络。为了生成我们的训练数据集，我们在F606W滤波器（V波段）中从CANDELS调查中提取HST剪切，并破坏这些图像以模拟其模糊噪声版本。我们的数值模拟结果的基础上，显示了所考虑的方法，不同的噪声水平之间的详细比较。
2022-11-17 astro-ph.IM eess.IV
Robust Statistics for Image Deconvolution
提出了一种基于鲁棒统计的多帧图像盲反卷积方法。通过最小化残差的M尺度来缓解似然函数迭代优化的常见缺点，从而在图像上实现更均匀的收敛。我们专注于天文图像的反卷积，这是最具挑战性的，由于其巨大的动态范围和频繁存在的图像中的大噪声占主导地位的区域。我们表明，高质量的图像重建是可能的，即使在超分辨率和不使用传统的正则化条款。使用一个强大的\r{ho} -功能是直接实现在流设置，因此，我们的方法是适用于大量的天文图像。从斯隆数字巡天（条纹82）的观测证明了我们的方法的力量，我们简要地讨论了管道的可行性，基于图形处理单元的下一代望远镜调查。
2017-11-08 astro-ph.IM cs.GR
Application of Physics-Informed Neural Networks in Removing Telescope Beam Effects
本研究提出 PI-AstroDeconv，一种结合 PSF 先验与快速傅里叶变换加速卷积的物理信息半监督学习方法，有效消除天文望远镜波束效应，提升图像反卷积效率与准确性，并在 SKA 数据集上验证了其恢复图像细节与中性氢功率谱的优越性。
2025-08-14 astro-ph.IM
Least-squares deconvolution based analysis of stellar spectra
近年来，MOST、CoRoT和开普勒等太空任务使天文测光发生了革命性的变化。然而，尽管取得了这些进展，仍然需要高质量的光谱。不幸的是，高分辨率光谱只能使用地面望远镜获得，而且由于许多感兴趣的目标相当微弱，光谱通常具有相对较低的S/N。因此，我们开发了一种基于最小二乘反卷积轮廓的算法，该算法允许重建观察到的光谱，但具有更高的S/N。我们已经成功地测试了方法，使用合成和观测数据，并结合几个常见的光谱应用，例如大气参数值的确定，以及恒星脉动的频率分析和模式识别。
2013-11-28 astro-ph.IM astro-ph.SR
Blind Deconvolution in Astronomy: How Does a Standalone U-Net Perform?
Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，法国国家科学研究中心/法国国家粒子物理研究中心，IJCLab）
本研究评估了U-Net在天文图像盲去卷积中的性能，发现其在不同观测和噪声条件下表现优异，优于传统方法。
2026-01-13 astro-ph.IM cs.CV
Deconvolution of VLBI Images Based on Compressive Sensing
VLBI（甚大基线干涉测量）射电望远镜中不完全可见度样本的直接反演会产生卷积伪影。由于天文射电源的正确分析和解释需要一幅无畸变的图像，而在紫外平面上填充所有采样点是不可能的任务，因此图像反卷积一直是VLBI成像的核心问题之一。目前应用最广泛的反褶积算法是基于最小二乘优化和最大熵方法的反褶积算法。在本文中，我们提出了一种新的算法，是基于一个新兴的范例称为压缩感知（CS）。在稀疏性条件下，压缩感知能够精确地重建信号或图像，只需要少量的随机样本。我们表明，CS是非常适合与VLBI成像问题，并证明所提出的方法是能够从其不完整的可见度样本采取椭圆轨迹在UV平面上的射电星系重建模拟图像。利用甚大阵3C459非对称射电星系的VLBI实测数据验证了该方法的有效性。
2009-04-05 astro-ph.CO astro-ph.IM
ShapeNet: Shape Constraint for Galaxy Image Deconvolution
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。
2022-03-14 astro-ph.IM eess.IV
Revisiting a flux recovery systematic error arising from common deconvolution methods used in aperture-synthesis imaging
本文重新审视了综合孔径成像中CLEAN类反卷积算法因图像单位不匹配导致的通量密度系统性偏移问题，通过模拟量化了误差范围并提出了可将误差降至百分之几的缓解方法。
2023-10-19 astro-ph.IM
Expectation Maximization for Hard X-ray Count Modulation Profiles
本文研究了用RHESSI（Ramaty High Energy Solar Spectroscopic Imager）太阳光谱仪获得的太阳硬X射线调制剖面数据进行图像重建的问题。我们的目标是证明一个经典的统计迭代方法适用于图像去卷积问题是非常有效的，当用于分析计数调制分布在太阳硬X射线成像的旋转调制准直器的基础上。本文所述的算法迭代求解极大似然问题，并将一个正性约束编码到迭代优化方案中。因此，结果是经典的期望最大化方法，这次不应用于图像去卷积问题，而是应用于从计数调制轮廓的图像重建。使我们的实现在这个应用程序中特别有效的技术原因是使用了一个非常可靠的停止规则，它能够正则化的解决方案，同时提供了一个非常令人满意的现金统计量（C统计量）。该方法适用于再现合成燃烧配置和重建图像从对应于三个真实事件的实验数据。在第二种情况下，与Pixon图像重建相比，期望最大化的性能显示出相当的准确性和显著降低的计算负担;与CLEAN相比，显示出更好的测量保真度和相当的计算效率。如果最佳地停止，期望最大化表示当计数调制配置文件用作输入数据时在RHESSI上下文中用于图像重建的非常可靠的方法。
2013-02-20 astro-ph.IM astro-ph.SR stat.AP
torchmfbd: a flexible multi-object multi-frame blind deconvolution code
Universidad de La Laguna（拉古纳大学）；University of Oslo（奥斯陆大学）；Stockholm University（斯德哥尔摩大学）
torchmfbd是一种基于PyTorch的开源代码，用于多目标多帧盲反卷积，支持灵活的PSF参数化和正则化技术，适用于天文图像修复。
2025-05-15 astro-ph.IM
A parallel & automatically tuned algorithm for multispectral image deconvolution
在大数据时代，射电天文图像重建算法面临着在有限的计算资源和时间下估计干净图像的挑战。本文是由未来平方公里阵列（SKA）的大规模图像重建需求驱动的，SKA将在未来几十年内成为世界上最大的低频和中频射电望远镜。这项工作提出了一个可扩展的宽带反卷积算法称为MUFFIN，它代表“多频率图像重建无线电干涉测量”。MUFFIN在给定相应的脏图像和点扩散函数的情况下估计各个频带中的天空图像。通过最小化数据保真度项以及联合空间和谱稀疏分析正则化项来实现重建。因此，它是非参数w.r.t.射电源的光谱特性。MUFFIN算法具有并行实现和自动调整正则化参数的功能，使其具有可扩展性，非常适合于SKA等大数据应用。MUFFIN和最先进的宽带重建算法之间的比较。
2019-08-19 astro-ph.IM eess.IV
Space variant deconvolution of galaxy survey images
消除由点扩散函数（PSF）引入的像差是天文图像处理的一个基本方面。观测图像中噪声的存在使得去卷积成为一项重要的任务，需要使用正则化。当PSF在空间上变化时，这个任务特别困难，就像欧几里得望远镜的情况一样。新的调查将提供包含数千个星系的图像，并且可以从一个全新的角度考虑去卷积正则化问题。事实上，我们可以假设星系属于低秩维空间。这项工作介绍了使用低秩矩阵近似作为正规化之前的星系图像反卷积和比较其性能与标准的稀疏正规化技术。这种新方法带来了一种处理空间变体PSF的自然方法。反卷积是使用实现原始-对偶分裂算法的Python代码执行的。所考虑的数据集是一个样本的10 000空间为基础的星系图像卷积与一个已知的空间变化的欧几里德类PSF，包括各种水平的高斯加性噪声。通过检查去卷积的星系图像像素和形状来评估性能。结果表明，对于小样本的星系稀疏执行更好的像素和形状恢复，而对于较大的星系样本，它是可能的，以获得更准确的估计星系的形状使用低秩近似。
2017-03-07 astro-ph.CO astro-ph.IM
MORESANE: MOdel REconstruction by Synthesis-ANalysis Estimators. A sparse deconvolution algorithm for radio interferometric imaging
（arXiv摘要）近年来，射电望远镜得到了巨大的发展，其能力也有了巨大的提高。这些系统要求设计更先进的技术，不仅用于运输、储存和处理新一代无线电干涉测量数据，而且用于恢复这些数据中所含的天体物理信息。在本文中，我们提出了一种新的无线电反卷积算法命名为MORESANE和它的应用程序完全真实的模拟数据的MeerKAT，SKA的前兆之一。该方法是针对野外观测中观测到的亮度微弱、形态复杂、可能隐藏在亮射电源的脏束旁瓣中的漫射天文源恢复的困难情况而设计的。MORESANE是一个贪婪算法，它结合了互补类型的稀疏恢复方法，以重建最合适的天空模型从观测到的无线电活动。一个合成的方法是用于重建的图像，其中的合成原子表示未知的来源是学习使用分析先验。我们将这种新的去卷积方法应用于对星系团和M31中HII区域的射电观测的完全真实的模拟。我们表明，MORESANE是能够有效地重建图像组成的各种来源的无线电干涉数据。与其他可用算法（包括多尺度CLEAN和Li等人（2011）和Carrillo等人（2012）最近提出的方法）的比较表明，MORESANE在总通量/表面亮度守恒和重建模型的保真度方面都提供了有竞争力的结果。MORESANE似乎特别适合于恢复扩散和扩展源，以及已知存在于星系团中的明亮和紧凑的射电源。
2014-12-17 astro-ph.IM
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。
2021-06-09 astro-ph.GA astro-ph.IM
The Future of astronomical archives: reaching out to and engaging broader communities
档案科学的重要性显着增加天体物理观测站，因为他们成熟和他们的档案馆藏的规模和复杂性的增长。要进一步加强档案数据的科学回报，就需要吸引比飞行任务参考资料界更多的受众，这主要是因为对多波长和瞬态/时间变异性研究的兴趣日益增加。然而，这样的目标可能很难实现。在本文中，我将描述一种不同的方法来解决这个问题，同时最大限度地减少技术摩擦和利用现有的服务，使档案观测更容易获得，并提高我们的能力，积极主动地吸引天文学家对潜在的有趣的档案记录。受这一战略的启发，钱德拉数据档案团队正在开展两个具体的实验项目，希望这些项目能够展示其潜力，同时为钱德拉任务的科学回报最大化做出贡献。
2020-01-10 astro-ph.IM
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）
提出基于 Swin Transformer UNet 的两步反卷积框架，并引入稀疏小波框架的第三步以消除深度学习引入的偏差，在分辨率恢复、泛化能力和计算效率上优于经典算法 Firedec，为地基图像识别遥远宇宙结构提供稳健技术。
2024-06-03 astro-ph.IM cs.CV
Multi-scale CLEAN in hard X-ray solar imaging
多尺度反卷积是成像领域的一个不适定逆问题，其应用范围从显微镜、医学成像到天文遥感。在高能空间望远镜的情况下，多尺度反卷积算法需要考虑到本地测量的特殊性质，这些测量是入射辐射的傅里叶变换的稀疏样本。本文提出了一种多尺度版本的CLEAN，这是最流行的迭代反卷积方法在傅立叶空间成像。使用根据模拟但真实的源配置生成的合成数据，我们表明，这种多尺度版本的CLEAN在精度，光度学和正则化方面比原始版本表现得更好。此外，应用程序的数据集测量的美国宇航局的Ramaty高能量太阳光谱成像仪（RHESSI）显示的能力，多尺度CLEAN重建相当复杂的地形，一个真正的耀斑事件的特点。
2023-03-28 astro-ph.IM astro-ph.SR cs.NA
$β$-SGP: Scaled Gradient Projection with $β$-divergence for astronomical image restoration
针对地基天文观测图像畸变问题，提出基于$β$-散度的缩放梯度投影反卷积算法（$β$-SGP），实验证明其相比SGP在流量守恒与恢复质量上更稳健。
2023-04-20 astro-ph.IM
Fundamental Imaging Limits of Radio Telescope Arrays
射电天文图像的保真度通常通过实际经验来评估，即使用经验法则，尽管某些方面和情况已经得到了严格的处理。在本文中，我们提出了一个数学框架，能够描述射电天文成像问题的基本限制。虽然数据模型假设一个单一的快照观察，即在时间和频率的变化不考虑，这个框架是足够的一般性，允许扩展到综合观察。使用统计信号处理和线性代数的工具，我们讨论了成像和反卷积问题的易处理性，噪声在地图中的重新分配的成像和反卷积过程中，由于传播的校准误差和热噪声的图像值的协方差和易处理的自校准源的数量的上限。图像值的协方差和易处理源的数量的组合确定在成像过程中可实现的有效噪声基底。有效噪声提供比动态范围更好的品质因数，因为它包括噪声的空间变化。我们的研究结果提供了通过设计阵列来提高成像性能的方法。
2010-03-11 astro-ph.IM physics.data-an stat.AP
Anti-aliasing Wiener filtering for wave-front reconstruction in the spatial-frequency domain for high-order astronomical adaptive-optics systems
天文自适应光学系统的波前重构技术在过去的十年中得到了很大的发展。在空间-频率（傅立叶）域中开发的算法已经特别针对高对比度成像系统聚集了大量关注。在本文中，我们提出了维纳滤波器（导致Strehl比的最大化），并进一步开发公式的抗混叠维纳滤波器，最佳地考虑到高阶波前折叠带内的检测（即离散采样）过程中。我们采用连续的空间频率表示的前向测量运营商和推导出的维纳滤波器时，混叠是明确考虑。我们进一步调查和比较经典的估计，使用最小二乘滤波器的重建波前，测量噪声和混叠传播系数作为系统阶数的函数。关于高对比度系统，我们提供了可实现的性能结果作为一个功能的合奏的病房模型的夏克-哈特曼波前传感器（使用稀疏和非稀疏表示）和计算点扩散函数原始强度。我们发现，对于一个32 × 32单共轭自适应光学系统的混叠传播系数约为60%的最小二乘滤波器，而噪声传播约为80%。在H波段的整个视场中，可以实现高达2倍的对比度改善。对于当前和下一代高对比度成像器，尽管有更好的混叠缓解，但抗混叠维纳滤波不能用作独立的方法，因此必须与在图像形成实际发生之前部署的光学空间滤波器结合使用。
2014-10-22 astro-ph.IM
Joint multiband deconvolution for Euclid and Vera C. Rubin images
Laboratory of Astrophysics, Ecole Polytechnique Fédérale de Lausanne (EPFL), Observatoire de Sauverny（天体物理实验室，瑞士洛桑联邦理工学院（EPFL），萨瓦尼观测站）；GEPI, Observatoire de Paris, Université PSL, CNRS（GEPI，巴黎天文台，巴黎-萨克勒大学，国家科学研究中心）；ICC-UB Institut de Ciències del Cosmos, Universitat de Barcelona（ICC-UB宇宙科学研究所，巴塞罗那大学）；ICREA, Pg. Lluís Companys 23, Barcelona（ICREA，巴塞罗那路易斯·康帕尼斯街23号）；Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM（巴黎-萨克勒大学，巴黎城市大学，法国原子能委员会，国家科学研究中心，应用数学研究所）；Institutes of Computer Science and Astrophysics, Foundation for Research and Technology Hellas (FORTH), Greece（计算机科学与天体物理学研究所，希腊希腊研究与技术基金会（FORTH））
本研究提出一种多波段联合反卷积技术，利用天基Euclid高分辨率观测提升Rubin地基r/i/z波段图像分辨率，结合DRUNet去噪优化，验证了其在分辨率、形貌恢复等方面的有效性，可推广至多类天地观测组合场景。
2025-04-07 astro-ph.IM cs.CV
spike: A tool to drizzle HST, JWST, and Roman PSFs for improved analyses
本文介绍 spike 程序库，通过让模型 PSF 经过与深度叠加图像相同的 drizzle 处理流水线，为 HST、JWST 和 Roman 图像生成正确重采样与叠加的 PSF。
2025-07-25 astro-ph.IM
Subband Image Reconstruction using Differential Chromatic Refraction
大气层的折射使光源的位置取决于观测时所穿过的气团。这种偏移取决于光源的潜在光谱能量和通过其观察的滤波器或带通。单一通带内的波长相关折射通常被称为差分色折射（DCR）。随着新一代的天文巡天在不同的气团和视差角范围内对天空的同一部分进行重复观测，DCR应该是一种可探测和可测量的天体测量信号。在本文中，我们介绍了一种新的程序，采取这种天体测量信号，并使用它来推断源的基本光谱能量分布，我们解决了多个潜在的图像在特定波长通过一个广义的反卷积程序建立在强大的统计。我们证明了这种方法的效用，估计部分去卷积的图像，在更高的光谱分辨率比输入图像，调查，如大型综合巡天望远镜（LSST）。
2019-03-24 astro-ph.IM
High Dynamic-Range Radio-Interferometric Images at 327 MHz
使用孔径合成望远镜进行射电天文成像需要对点扩散函数进行反卷积，并校准仪器特性（初级射束）和前景（电离层/大气层）效应。这些效应随时间变化，并且在整个视场中变化，从而导致方向相关（DD）的时变增益。在实际情况下，初级光束将偏离理论估计，如果不进行校正，其水平将限制图像的动态范围。电离层电子密度的变化引起源的时变折射和位置变折射。在低频率和足够高的动态范围下，这也将使图像散焦，产生误差图案，该误差图案由于合成望远镜的色差而随位置以及频率变化。这种残留旁瓣的叠加可能导致伪频谱信号。基于实地的电离层校准以及对强源的“剥离”校准导致图像具有更高的动态范围和更低的虚假信号，但将受到必要的短时间尺度上的灵敏度的限制。结果是改进的图像，尽管仍存在一些伪影。
2011-11-23 astro-ph.IM
A method for space-variant deblurring with application to adaptive optics imaging in astronomy
来自自适应光学系统的图像通常受到跨视场的点扩散函数（PSF）的显著失真的影响，这取决于自然和人造引导星的位置。规避或减轻这些影响的图像缩小技术是充分利用AO图像中编码的科学信息的重要工具。本文的目的是提出一种方法去模糊的天文图像，给定一组样本的空变点扩展函数。该方法是基于分区的图像域成区域的等晕和应用适当的去卷积方法与边界效应校正到每个区域。证明了边界效应修正的有效性。此外，将不相交截面扩展到部分重叠截面的准则也得到了验证。该方法适用于模拟图像的恒星系统，其特征在于一个空间可变的PSF。通过对去模糊图像进行孔径测光，我们获得了良好的测光质量，从而获得了良好的科学质量。所提出的方法在软件包“Patch”中以IDL实现，该软件包可在http://www.airyproject.eu上获得。
2015-05-07 astro-ph.IM
Distributed Data-Processing Pipeline for Mingantu Ultrawide Spectral Radioheliograph
中国光谱射电日像仪（CSRH）是在中国内蒙古建造的合成孔径射电干涉仪。CSRH作为一种太阳专用的干涉阵列，能够在400 MHz ~ 15 GHz的频率范围内获得高质量的射电图像，具有高的时间、空间和光谱分辨率，但要实现宽带高拍频成像并获得2阶以上的倍频，CSRH数据处理系统的实现是一个巨大的挑战。建立一个管道来处理每天产生的大量CSRH数据是当务之急。在本文中，我们开发了一个高性能的分布式数据处理管道（DDPP）的OpenCluster基础设施上处理CSRH观测数据，包括数据存储，归档，预处理，图像重建，反卷积和实时监控。全面阐述了流水线的系统架构和各个子系统的实现。DDPP是自动的，健壮的，可扩展的和可管理的。在多机并行和GPU混合系统下的处理性能满足CSRH数据处理的要求。该研究为其他射电望远镜特别是孔径综合望远镜提供了有价值的参考，也为当前和/或未来的数据密集型天文观测做出了有价值的贡献。
2016-12-20 astro-ph.IM
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）
本文提出结合分数似然与扩散模型先验的贝叶斯图像去卷积框架，在HST数据中恢复出此前仅JWST可见的暗弱星系结构。
2023-11-29 astro-ph.IM cs.CV
Multi-scale and Multi-directional VLBI Imaging with CLEAN
甚长基线干涉测量（VLBI）是一种射电天文技术，其中来自不同基线的相关信号被组合成最高角分辨率的图像。由于测量的稀疏性，该成像过程构成不适定的逆问题。几十年来，CLEAN算法一直是VLBI研究的标准选择，尽管它有一些严重的缺点和病态，受到现代前线VLBI应用要求的挑战。我们开发了一种新的多尺度CLEAN反卷积方法（DoB-CLEAN）的基础上连续小波变换，解决几个病理CLEAN成像。我们基准这种新的算法对CLEAN重建合成数据和重新分析BL Lac观测射电天文与DoB-CLEAN。DOB-CLEAN算法采用多尺度多方向小波字典对图像进行逼近。使用了两种不同的词典。首先，一个椭圆球面贝塞尔函数的差异字典拟合到紫外覆盖的观察，用于稀疏表示脏图像中的特征。其次，提出了一种适合于清晰表示相关图像特征的椭圆高斯差分小波字典。通过在字典之间切换来执行去卷积。与CLEAN相比，DoB-CLEAN实现了超分辨率，并弥补了CLEAN的虚假正则化特性。与CLEAN相反，基函数的表示具有物理意义。因此，计算的去卷积图像仍然适合观察到的vibrations，而不是CLEAN。国家的最先进的多标量成像方法似乎优于单标量标准的方法在VLBI和非常适合于最大限度地提取信息在正在进行的前线VLBI应用。
2023-01-27 astro-ph.CO astro-ph.GA astro-ph.IM
The Thresher: Lucky Imaging without the Waste
在传统的幸运成像（TLI）中，同一场景的许多连续图像都是用高帧率相机拍摄的，并且在构建最终的移位和相加图像之前，除了最清晰的图像之外，所有图像都被丢弃。在这里，我们提出了一个替代的图像分析管道-的过滤器-为这些类型的数据，基于在线多帧盲反卷积。它利用所有现有数据，在合理的计算限制范围内获得对天文景象的最佳估计;它不需要事先估计图像中的点扩散函数，也不需要了解可以提供这种估计的景象中的点源。最重要的是，它旨在返回的场景是基于似然函数的合理标量目标的最佳值。因为它使用堆栈中的完整图像集，所以该叠加器在信噪比方面优于TLI;因为它考虑了单个帧PSF，所以它在不损失角分辨率的情况下做到了这一点。我们证明了我们的算法的有效性，模拟数据和真实的电子倍增CCD图像在丹麦1.54米望远镜（ESO，La Silla主办）。我们还探讨了该算法目前的局限性，并发现，对于这里提出的图像模型的选择，通量的非线性引入到返回的场景。可在https://github.com/jah1994/TheThresher上查看软件的持续开发。
2022-02-09 astro-ph.IM
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）
本文提出改进的POLISH框架，通过补丁训练和非线性强度变换实现宽视场和高动态范围的干涉成像，提升强引力透镜发现的重建质量与鲁棒性。
2026-03-10 astro-ph.IM cs.CV eess.IV
A high-level analysis framework for HAWC
高海拔水切伦科夫（HAWC）天文台在阵列上方约2球面度的瞬时视场中连续观测100 GeV至100 TeV之间的伽马射线。大量的原始数据、少量统计的重要性、伽马射线信号在时间（1 - $10^8$秒）和角度范围（0.1 - 100度）上的大动态范围，以及越来越需要直接比较来自不同观测站的结果，这些都对HAWC数据的分析提出了一些特殊的挑战。为了满足这些需求，我们设计并实现了一个基于极大似然方法的模块化分析框架。该框架便于计算给定物理模型的分箱泊松对数似然值（即，源模型）、数据集和检测器响应。物理模型的参数（天空位置、光谱、角范围等）可以通过似然最大化例程来优化，以获得与数据的最佳匹配。以类似的方式，检测器响应的参数（绝对指向、角分辨率等）可以被设置为与检测器响应的参数（绝对指向、角分辨率等）相同。可以使用一个众所周知的来源，如蟹状星云进行优化。该框架是同时设计的多任务极大似然（3 ML）架构，并允许定义一个一般的收集源个别不同的光谱和空间形态。与3 ML架构的兼容性允许轻松执行与其他天文台的强大联合配合。在这篇文章中，我们概述了HAWC分析框架的设计和功能，强调了适用于其他天文和宇宙射线观测站的总体设计要点。
2015-08-29 astro-ph.IM
Exploring Regularized Maximum Likelihood Reconstruction for Stellar Imaging with the ngVLA
拟议中的下一代甚大阵列（ngVLA）将使天文源的成像前所未有的细节，提供了一个数量级的改进，灵敏度和角分辨率相比，目前在1.2- 116 GHz的无线电干涉仪。然而，当前的ngVLA阵列设计导致高度非高斯脏光束，这可能使得使用传统的CLEAN去卷积方法难以实现具有最大灵敏度和最大角分辨率的高保真图像。这一挑战可以通过正则化最大似然（RML）方法来克服，这是为事件视界望远镜开发的一类新的成像技术。RML方法采用前向建模方法，直接求解图像，而不使用脏光束或脏贴图。因此，该方法具有改善由ngVLA产生的图像的保真度和有效角分辨率的潜力。作为一个说明性的情况下，我们提出ngVLA成像模拟恒星射电光球进行多尺度（MS-）CLEAN和RML方法在CASA和SMILI包，分别。我们发现，MS-CLEAN和RML方法都可以提供高保真度的图像恢复大多数的代表性结构的不同类型的恒星光球模型。然而，RML方法表现出更好的性能比MS-CLEAN各种恒星模型的拟合优度的数据，图像的残留误差，并在地面真实图像中恢复代表性的功能。我们的模拟支持的可行性与ngVLA变革恒星成像科学，同时表明，RML方法是一个有吸引力的选择ngVLA成像。
2019-10-21 astro-ph.IM astro-ph.SR
Improving image quality of the Solar Disk Imager (SDI) of the Lyman-alpha Solar Telescope (LST) onboard the ASO-S mission
针对ASO-S任务中SDI空间分辨率远低于预期的问题，本文提出结合深度学习与光学系统建模的双变量优化算法SPIBOA，直接从观测数据估计PSF并进行去卷积校正，使空间分辨率提升三倍以上并显著降噪，已集成到SDI常规数据处理流程中。
2024-12-31 astro-ph.IM astro-ph.SR
Using Machine Learning for Discovery in Synoptic Survey Imaging
现代时域测量持续监测大片天空，以寻找天文变化。在这类数据集中的天体物理发现是复杂的，因为实际瞬态和可变源的探测数量远远超过不完美的减法，大气效应和探测器伪影造成的虚假探测。在这项工作中，我们提出了一个机器学习（ML）框架，发现在时域成像调查的变化。我们的ML方法提供了概率陈述，在近实时的情况下，在何种程度上，每个新观察到的源是天体物理相关的可变亮度源。我们提供了有关所涉及的每个分析步骤的详细信息，包括训练和测试集的编译，描述性的基于图像和上下文的特征的构建，以及特征子集和模型调优参数的优化。使用来自Palomar Transient Factory的近30，000个对象的验证集，我们证明了对于23个特征的优化ML分类器，在我们选择的1%的假阳性率下，漏检率最多为7.7%，选择这些特征是为了避免特征相关性和42个属性的初始库的过度拟合。重要的是，我们表明，我们的分类方法对错误标记的训练数据不敏感，污染率高达近10%，因此更容易编译足够的训练集，以便在未来的调查中获得准确的性能。如果采用这种ML框架，应该能够最大限度地提高未来天气调查的科学收益，并能够对此类实验产生的大量流数据做出快速的后续决策。
2012-09-17 astro-ph.IM stat.AP
Reconstructing Video from Interferometric Measurements of Time-Varying Sources
Massachusetts Institute of Technology（麻省理工学院）；Harvard-Smithsonian Center for Astrophysics（哈佛-史密森天体物理中心）；Massachusetts General Hospital（麻省总医院）；Radboud University（拉德堡德大学）；Google Research（谷歌研究院）
甚长基线干涉测量（VLBI）技术使得恢复具有极高角分辨率的天文源图像成为可能。最近，事件视界望远镜（EHT）已经将VLBI扩展到短毫米波长，目标是实现足以成像附近超大质量黑洞事件视界的角分辨率。VLBI通过一组稀疏的空间频率提供与源图像相关的测量。然后，通过对底层图像进行假设，可以从这些测量中恢复图像。传统成像方法所做的最重要的假设之一是，在夜间观察的过程中，图像是静态的。然而，对于快速演化的源，如银河系中心的超大质量黑洞（Sgr A*）被EHT瞄准，这一假设被违反，这些传统的成像方法失败。在这项工作中，我们提出了一种新的方法来模拟VLBI测量，使我们能够恢复的外观和动态的一个不断发展的来源，通过重建一个视频，而不是一个静态图像。通过使用高斯马尔可夫模型对VLBI测量进行建模，我们能够及时传播观测信息以重建视频，同时了解源发射区域的动态。我们证明了我们提出的期望最大化（EM）算法，StarWarps，现实的合成观测黑洞，并显示它如何大大改善结果相比，传统的成像算法。此外，我们展示了StarWarps的真实VLBI数据的M87喷气从VLBA。
2018-02-01 astro-ph.IM cs.CV
