[论文解读] Inpainting via Generative Adversarial Networks for CMB data analysis

Alireza Vafaei Sadr, Farida Farsian|arXiv (Cornell University)|Apr 8, 2020

Radio Astronomy Observations and Technology参考文献 28被引用 12

一句话总结

本文提出了一种改进的生成对抗网络（GAN）用于修复因点源移除而在宇宙微波背景（CMB）图中造成的掩码区域。基于普朗克2018年模拟数据，该GAN在ℓ < 1500的多极矩下，对缺失CMB信号的重建误差低于1%，即使在无高斯先验或谐波空间假设的情况下，也能在高达1500像素的掩码区域上实现稳健性能。

ABSTRACT

In this work, we propose a new method to inpaint the CMB signal in regions masked out following a point source extraction process. We adopt a modified Generative Adversarial Network (GAN) and compare different combinations of internal (hyper-)parameters and training strategies. We study the performance using a suitable $\mathcal{C}_r$ variable in order to estimate the performance regarding the CMB power spectrum recovery. We consider a test set where one point source is masked out in each sky patch with a 1.83 $ imes$ 1.83 squared degree extension, which, in our gridding, corresponds to 64 $ imes$ 64 pixels. The GAN is optimized for estimating performance on Planck 2018 total intensity simulations. The training makes the GAN effective in reconstructing a masking corresponding to about 1500 pixels with $1\%$ error down to angular scales corresponding to about 5 arcminutes.

研究动机与目标

• 解决高精度CMB分析中因点源掩码导致的CMB功率谱估计偏差问题。
• 开发一种基于深度学习的修复方法，以保留底层CMB信号的统计特性，且不假设为高斯随机场。
• 优化GAN架构，以高效重建CMB图中的掩码区域，尤其适用于普朗克数据中常见的小到中等大小的掩码。
• 使用基于功率谱残差的Cr指标评估性能，以确保对宇宙学统计的最小失真。
• 在真实世界掩码（普朗克2018年数据）上展示泛化能力，并验证不同超参数和训练策略下的鲁棒性。

提出的方法

• 采用改进的条件GAN架构，其中生成器为9层，判别器为4层，基于普朗克2018年模拟的64×64像素CMB图像块进行训练。
• 通过超参数α结合均方误差（MSE）和对抗损失函数，以平衡重建保真度与感知真实性。
• 实施一种动态学习率调度策略，按训练周期调整生成器和判别器的学习率，以稳定训练过程。
• 在10个完整天空的CMB模拟数据（共105个图像块）上进行训练，并在5个独立模拟数据上进行测试，涵盖假设性掩码和真实普朗克2018年强度掩码。
• 使用Cr指标量化性能，通过比较修复后图像的功率谱与真实CMB功率谱进行评估。
• 对不同大小的掩码区域应用模型，重点关注高达1500像素的区域，并在不同α值和掩码配置下评估性能。

实验结果

研究问题

• RQ1 基于GAN的方法能否在不引入功率谱偏差的前提下，有效修复因点源掩码而缺失的CMB信号？
• RQ2 该GAN的性能如何随不同超参数（如α）和网络架构变化？
• RQ3 该GAN在不同大小的掩码区域上，特别是高达1500像素的区域，其CMB信号重建能力如何？
• RQ4 该模型是否能以小于1%的偏差保留宇宙学统计特性，特别是CMB功率谱，适用于ℓ < 1500的多极矩？
• RQ5 该模型对掩码形状和大小的变化是否具有鲁棒性？是否能泛化到真实世界中的普朗克2018年掩码？

主要发现

• 对于Amasked ≤1500像素的普朗克2018年掩码，最佳模型的Cr值为10.98 × 10⁻²（即1.098%），表明在ℓ < 1500范围内CMB功率谱误差低于1.1%。
• 在ℓ < 1500范围内，修复后CMB图的功率谱与真实谱的偏差小于1%，如图7中的残差图和偏差图所示。
• 在不同α值（0.01至0.2）下，模型表现稳健，Cr值变化极小，表明对超参数选择不敏感。
• 模型在高达1500像素的掩码区域上均能以高保真度成功重建，该结果在假设性掩码和真实普朗克2018年掩码上均得到验证。
• 基于GAN的修复方法不依赖高斯先验，能够保留非高斯特征，因此适用于未来需要无偏信号重建的CMB实验。
• 动态学习率调度显著提升了训练稳定性与收敛性，有助于在多次训练运行和不同配置下保持一致的性能表现。