[论文解读] Celeste: Variational inference for a generative model of astronomical images

Jeffrey Regier, Andrew C. Miller+6 more|arXiv (Cornell University)|Jun 3, 2015

Advanced Vision and Imaging参考文献 10被引用 14

一句话总结

Celeste 提出了一种完全生成式的概率模型，用于天文物体图像，采用变分推断方法，将像素强度建模为泊松分布，其速率参数依赖于潜在的恒星与星系属性。该方法在真实天空巡天数据上的源检测与测光任务中，优于当前最先进的技术，通过整合来自辅助数据集的科学先验知识，提升了准确性。

ABSTRACT

We present a new, fully generative model of optical telescope image sets, along with a variational procedure for inference. Each pixel intensity is treated as a Poisson random variable, with a rate parameter dependent on latent properties of stars and galaxies. Key latent properties are themselves random, with scientific prior distributions constructed from large ancillary data sets. We check our approach on synthetic images. We also run it on images from a major sky survey, where it exceeds the performance of the current state-of-the-art method for locating celestial bodies and measuring their colors.

研究动机与目标

• 开发一种完全生成式的光学望远镜图像集模型，以捕捉恒星与星系的统计结构。
• 实现对潜在天体物理属性（如源位置、流量与颜色）的稳健推断，从噪声大、复杂的图像数据中进行推断。
• 将来自大型辅助数据集的科学先验知识整合到模型的层次结构中，以提升推断性能。
• 在真实天空巡天数据上，实现对天体的检测与测光属性测量方面超越现有方法的性能。
• 提供一种可扩展的、可微分的框架，用于天文物体图像分析，结合概率建模与变分推断。

提出的方法

• 每个像素强度被建模为一个泊松分布的随机变量，其速率参数依赖于潜在源属性（如位置、流量与颜色）。
• 潜在源参数（如流量、位置）被赋予由大型辅助数据集提供的层次先验分布，以编码科学领域的先验知识。
• 采用变分推断程序，以近似在给定观测图像数据下潜在变量的不可计算后验分布。
• 模型使用结构化变分近似，以高效优化证据下界（ELBO），实现在大规模天文物体图像数据集上的可扩展推断。
• 生成过程显式建模了源轮廓与点扩散函数（PSF）的卷积，从而实现准确的图像合成与推断。
• 该框架支持在单一统一的概率模型中联合推断源检测、测光与形态参数。

实验结果

研究问题

• RQ1 与现有方法相比，完全生成式的天文物体图像模型是否能提升源检测与测光测量的准确性？
• RQ2 具有科学启发先验的层次贝叶斯模型，在真实望远镜图像中能否有效恢复潜在天体物理属性？
• RQ3 将辅助数据整合到先验分布中，在噪声大、源密集的区域中，能在多大程度上提升推断性能？
• RQ4 变分推断能否在保持准确性和计算效率的同时，扩展到大规模天文物体图像数据集？
• RQ5 在检测微弱或重叠源方面，该模型的性能与当前最先进的方法相比如何？

主要发现

• Celeste 在大型天空巡天的真实数据上，显著优于当前最先进的方法，在天体源检测与颜色测量方面表现更优。
• 该模型在源检测中实现了更高的精确率与召回率，尤其在天空中拥挤且噪声大的区域表现更佳。
• 整合来自辅助数据集的科学先验，使源流量与位置的推断更加准确与稳定。
• 变分推断程序使得在大规模天文物体图像集上实现可扩展推断成为可能，使该方法在实际应用中更具可行性。
• 合成数据实验表明，该模型能正确恢复真实源参数，验证了其生成假设的正确性。
• 该方法对图像伪影与点扩散函数的变化具有鲁棒性，提升了在多样化观测条件下的可靠性。