IRIS：一种利用具有强表达能力的基于分数的先验进行射电干涉测量图像重建的贝叶斯方法
IRIS: A Bayesian Approach for Image Reconstruction in Radio Interferometry with expressive Score-Based priors
AI总结：
本文提出贝叶斯成像框架 IRIS，将星系光学图像训练的基于分数模型先验与 uv 空间高斯似然结合，用于 ALMA DSHARP 原行星盘可见度重建，并通过模拟覆盖率测试验证后验校准。
摘要：
在一个有原则的统计框架中，从含噪干涉测量数据推断天空表面亮度分布，一直是射电天文学中的一项关键挑战。在本工作中，我们提出了 Imaging for Radio Interferometry with Score-based models（IRIS，基于分数模型的射电干涉测量成像）。我们将在星系光学图像上训练的基于分数的模型用作具有强表达能力的先验，并结合 uv 空间中的高斯似然，从 ALMA 开展的 DSHARP 巡天的可见度数据推断原行星盘图像。我们展示了该框架相较于传统射电干涉测量成像算法的优势，表明尽管使用了错误设定的星系先验，它仍能生成合理的后验样本。通过在模拟上进行覆盖率测试，我们凭经验评估了该方法生成经过校准的后验样本的准确性。
英文摘要：
Inferring sky surface brightness distributions from noisy interferometric data in a principled statistical framework has been a key challenge in radio astronomy. In this work, we introduce Imaging for Radio Interferometry with Score-based models (IRIS). We use score-based models trained on optical images of galaxies as an expressive prior in combination with a Gaussian likelihood in the uv-space to infer images of protoplanetary disks from visibility data of the DSHARP survey conducted by ALMA. We demonstrate the advantages of this framework compared with traditional radio interferometry imaging algorithms, showing that it produces plausible posterior samples despite the use of a misspecified galaxy prior. Through coverage testing on simulations, we empirically evaluate the accuracy of this approach to generate calibrated posterior samples.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
