[論文レビュー] A pixel-level model for event discovery in time-domain imaging

Dun Wang, David W. Hogg+2 more|arXiv (Cornell University)|Oct 6, 2017

Stellar, planetary, and galactic studies参考文献 3被引用数 8

ひとこと要約

この論文は、参照画像や明確なPSF/指向モデルを必要としない、時間領域画像処理における可変源を検出する画素レベルの新規手法、CPM差分画像法を提案する。各画素を因果的に分離された非可変画素の線形結合としてモデル化する因果的画素モデル（CPM）を用いることで、差分画像法において光子ノイズ制限の精度を達成し、登録精度とPSFのロバスト性において古典的手法を上回り、混雑した領域における高精度な photometry を可能にする。

ABSTRACT

Difference imaging or image subtraction is a method that measures differential photometry by matching the pointing and point-spread function (PSF) between image frames. It is used for the detection of time-variable phenomena. Here we present a new category of method---CPM Difference Imaging, in which differences are not measured between matched images but instead between image frames and a data-driven predictive model that has been designed only to predict the pointing, PSF, and detector effects but not astronomical variability. In CPM Difference Imaging each pixel is modelled by the Causal Pixel Model (CPM) originally built for modeling Kepler data, in which pixel values are predicted by a linear combination of other pixels at the same epoch but far enough away such that these pixels are causally disconnected, astrophysically. It does not require that the user have any explicit model or description of the pointing or point-spread function of any of the images. Its principal drawback is that---in its current form---it requires an imaging campaign with many epochs and fairly stable telescope pointing. The method is applied to simulated data and also the K2 Campaign 9 microlensing data. We show that CPM Difference Imaging can detect variable objects and produce precise differentiate photometry in a crowded field. CPM Difference Imaging is capable of producing image differences at nearly photon-noise precision.

研究の動機と目的

• 正確な画像登録、PSF推定、参照画像構築を必要とする古典的手法の限界を克服すること。
• 指向やPSFの変動といった機器的効果に関する仮定を最小限に抑えて、混雑した領域における可変源を検出する手法を開発すること。
• 畳み込みカーネルや明示的なカーネルフィッティングに依存せずに、光子ノイズ制限の精度を達成する画像差分法を実現すること。
• K2、LSST、TESSのような時間領域調査において、中程度の指向およびPSFの不安定性下でもロバストなphotometryを可能にすること。
• データ駆動型画素モデリングの可能性を活用し、画像調査における可変性検出の精度を向上させること。

提案手法

• 各画像の画素を、そのターゲット画素と因果的に分離された領域からの他の画素の線形結合としてモデル化する。
• 因果的画素モデル（CPM）は、L2正則化付き線形回帰を用いて、空間的に離れた非可変予測画素に基づいて画素値を予測する。
• 指向、PSF、photometricキャリブレーションの知識を必要とせず、代わりにデータから機器的効果を暗黙的に学習する。
• 観測値から予測値を差し引いて画像差分を計算し、変動源が偏差として現れる残差画像を得る。
• 時間系列画像を用いてモデルを学習し、予測子画素数や正則化強度などのハイパーパrameterは交差検証により最適化する。
• 予測子画素選択は現在、空間的近接性や明るさに基づくヒューリスティックであるが、変動性に基づくフィルタリングやL1正則化を用いてスパarsityと性能を向上させる可能性についても検討されている。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型画素レベルモデルは、参照画像を必要とせず、光子ノイズ制限の画像差分法を達成できるか？
• RQ2 中程度の指向変動およびPSF変化下において、古典的手法と比較して本手法はどのように性能を発揮するか？
• RQ3 CPM差分画像法は、明示的なPSFまたはアストロメトリックモデリングなしに、混雑した領域における可変源を検出し、高精度なphotometryを提供できるか？
• RQ4 予測子画素選択および正則化戦略が、本手法の精度とロバスト性に与える影響は何か？
• RQ5 古典的手法と比較して、本手法は画素内および画素間の変動に起因するアーティファクトをどの程度低減できるか？

主な発見

• CPM差分画像法は、中程度の指向およびPSF変動下でも、光子ノイズ制限に近い画像差分精度を達成する。
• 指向変動がPSFのFWHMのおおよそ1未満の範囲であれば、本手法は高い性能を維持し、古典的手法に比べてアストロメトリック登録要件を大幅に緩和する。
• 本手法はPSF推定を完全に回避しており、PSFモデリングやカーネルフィッティングの不完全さに起因する誤差を排除し、古典的手法の一般的な失敗要因を解消する。
• シミュレーションデータおよびK2キャンペーン9の重力レンズ観測において、CPM差分画像法は可変源を正常に検出し、混雑した領域での正確な微小光度測定を達成した。
• 本手法は、CPMフレームワークにより内部的に機器的効果をモデル化することで、差し引き後のデトレンド処理の必要性を低減する。
• ハイパーパrameterの最適化や、可変画素を除外するなど予測子画素選択の改善、スパarsityを高めるためにL1正則化を用いることで、性能をさらに向上できる。