Learning to Denoise Astronomical Images with U-nets笔记(天文图像噪声、损失函数)
摘要:天文图像对于探索和理解宇宙至关重要。能够进行深度观测的光学望远镜,如哈勃太空望远镜,在天文学界被大量订购。图像通常还包含加性噪声,这使得在进一步数据分析之前对数据进行后处理时,必须先去噪。为了最大限度地提高天文成像后处理的效率和信息增益,我们转向机器学习。我们提出了一种用于图像去噪和增强的卷积神经网络Astro U-net。为了证明这一概念,我们使用了来自WFC3仪器UVIS的哈勃太空望远镜图像以及F555W和F606W滤光片。我们的网络能够产生具有噪声特性的图像,就像它们是以两倍的曝光时间获得的一样,并且具有最小的偏差或信息损失。从这些图像中,我们能够恢复95-9%的恒星,平均通量误差为2-26%。此外,这些图像的平均信噪比比比输入噪声图像高1-63倍,相当于至少3张输入图像的叠加,这意味着未来天文成像活动所需的望远镜时间大大减少。
数据集:我们的数据集包含来自哈勃太空望远镜(HST)档案(图1)的200幅图像,这些图像分为160/20/20图像的训练、评估和验证数据集。数据集是人工选择的——我们通过一千多幅图像创建了最终的数据集,其中包括各种尺度的天文物体。
添加噪声:
1、天文图像中的观测信号会受到各种噪声的影响。为了创建用于网络输入的合成数据,我们考虑光子散粒噪声、暗噪声和读出噪声。从远处探测到的光子数量具有固有的统计变化,与之相关的噪声是:
S是被相机捕捉的总信号,Pois(X)是X的泊松分布。
2、暗噪声来自探测器的热激发电子,它强烈地依赖于CCD的温度,并且与落在探测器上的光子无关,因此即使相机处于完全黑暗中,这种噪声也会持续存在。这个噪声也是泊松分布的,但是我们使用了由暗电流(DK)计算的高斯近似:
t:图像的曝光时间。
3、读出噪声(RON)是由CCD的电子器件引起的所有像素的均匀噪声。我们使用WFC3仪器手册1中的读出噪声和暗电流值。
曝光时间比率是真实图像的曝光时间与较短模拟图像的曝光时间之间的比率。不同比率的示例如图1所示。
在添加噪声之前,我们通过分割真实图像来创建合成的短曝光图像,通过曝光时间比
Learning to Denoise Astronomical Images with U-nets笔记(天文图像噪声、损失函数)相关推荐
- 联邦学习笔记-《Federated Machine Learning: Concept and Applications》论文翻译个人笔记
联邦学习笔记-<Federated Machine Learning: Concept and Applications>论文翻译个人笔记 摘要 今天的人工智能仍然面临着两大挑战.一是在大 ...
- Learning ROS for Robotics Programming Second Edition学习笔记(六) indigo xtion pro live
中文译著已经出版,详情请参考:http://blog.csdn.net/ZhangRelay/article/category/6506865 Learning ROS for Robotics Pr ...
- Capture, Learning, and Synthesisof 3D Speaking styles论文阅读笔记 VOCA
Capture, Learning, and Synthesisof 3D Speaking Styles论文阅读笔记 摘要 制作了一个4D面部(3D mesh 序列 + 同步语音)数据集:29分钟, ...
- Deep Reinforcement Learning for Visual Object Tracking in Videos 论文笔记
Deep Reinforcement Learning for Visual Object Tracking in Videos 论文笔记 arXiv 摘要:本文提出了一种 DRL 算法进行单目标跟踪 ...
- 《Learning to Denoise Unreliable Intercations for Graph Collaborative Filtering》个人笔记
原文: https://dl.acm.org/doi/10.1145/3477495.3531889 摘要 现已存在的基于GNN协同过滤模型面临着一些用户-项目噪音数据,这个严重影响系统的有效性和 ...
- RGCF:Learning to Denoise Unreliable Interactions forGraph Collaborative Filtering论文解读
这篇和之前的一篇工作简称是一样的,但是内容完全不同,本文是Robust Graph Collaborative Filtering (RGCF),注意甄别 一.前言 最近,图神经网络(GNN)作为一种 ...
- 机器学习(MACHINE LEARNING) 【周志华版-”西瓜书“-笔记】 DAY16-强化学习
文章目录 16.1 任务与奖赏 RL与有监督学习.无监督学习的比较 形象举例 16.2 K-摇臂赌博机 ε-贪心算法 16.3 有模型学习 16.4 免模型学习 16.5 值函数近似 16.6 模仿学 ...
- 机器学习(MACHINE LEARNING) 【周志华版-”西瓜书“-笔记】 DAY15-规则学习
15.1.规则学习 "规则学习" (rule learning)是从训练数据中学习出一组能用于对未见示例进行判别的规则. 形式上一般为: 式子中,右边的部分称为规则体(Body), ...
- 机器学习(MACHINE LEARNING) 【周志华版-”西瓜书“-笔记】 DAY13-半监督学习
13.1 未标记样本 先说两个概念: 1)有标记样本(Labeled) 训练样本集Dl={(x1,y1), (x2,y2),-, (xl,yl)},这l个样本的类别标记已知. 2)未标记样本(unla ...
最新文章
- 2021年大数据Hive(八):Hive自定义函数
- 一次excel的countifs的成功应用
- 昊天善圈浅谈比特币这个类型区块链应用技术的特点及作用
- 2012 草莓音乐节 [组图]
- mysql 备份库的shell_shell学习之自动备份mysql数据库
- echarts图表大小随着外部div大小变化
- OPCServer Modbus使用和配置
- 基于JAVA+SpringBoot+Mybatis+MYSQL的图书借阅管理系统
- 分布式缓存系统 Memcached 【转载】
- 数据结构 5-0 树与二叉树总结
- SOA项目实施的过程与关键点(转)
- 17、关于hibernate的N+1问题
- 谷粒商城:01. 分布式基础项目环境搭建
- rtmp/rtsp直播源(真是有效的,网上很多都是失效的)
- Android跨进程通信:图文详解 Binder机制 原理
- 日常办公中的40+电子签场景,覆盖核心业务及岗位签署需求
- 什么是着色器 (Shader)占用率(Occupancy)? 为什么我们应该关心它?
- 大数据本质是什么,基础理论应该怎么理解?
- 我的Python心路历程 第十期 (10.5 股票实战之数据可视化曲线)
- Ouroboros Snake POJ - 1392(数位哈密顿回路)