[论文解读] A Modular Deep Learning Pipeline for Galaxy-Scale Strong Gravitational Lens Detection and Modeling

Sandeep Madireddy, Nesar Ramachandra+6 more|arXiv (Cornell University)|Nov 10, 2019

Adaptive optics and wavefront sensing被引用 7

一句话总结

本文提出了一种模块化的深度学习流水线，利用合成数据实现对星系尺度强引力透镜的自动化检测与建模。通过整合去噪、去混叠和不确定性量化推理模块，该流水线在真实和模拟巡天数据上均表现出高可解释性和鲁棒性能，实现了低误报率的透镜系统可靠识别。

ABSTRACT

Upcoming large astronomical surveys are expected to capture an unprecedented number of strong gravitational lensing systems. Deep learning is emerging as a promising practical tool for the detection and quantification of these galaxy-scale image distortions. The absence of large quantities of representative data from current astronomical surveys motivates the development of a robust forward-modeling approach using synthetic lensing images. Using a mock sample of strong lenses created upon a state-of-the-art extragalactic catalogs, we train a modular deep learning pipeline for uncertainty-quantified detection and modeling with intermediate image processing components for denoising and deblending the lensing systems. We demonstrate a high degree of interpretability and controlled systematics due to domain-specific task modules trained with different stages of synthetic image generation. For lens detection and modeling, we obtain semantically meaningful latent spaces that separate classes of strong lens images and yield uncertainty estimates that explain the origin of misclassified images and provide probabilistic predictions for the lens parameters. Validation of the inference pipeline has been carried out using images from the Subaru telescope's Hyper Suprime-Cam camera, and LSST DESC simulated DC2 sky survey catalogues.

研究动机与目标

• 通过使用合成透镜图像开发一种稳健的数据增强流水线，以应对真实强透镜数据稀缺的问题。
• 实现在LSST、Euclid和Roman等未来大规模巡天中对星系-星系强透镜系统的高精度检测与建模。
• 通过在深度学习工作流中引入不确定性估计和可解释性，降低透镜检测中的误报率。
• 通过先进的合成数据生成和掩码提取技术，提升对子结构和视线方向星系引起的系统误差的鲁棒性。
• 在 Subaru HSC 的真实数据和 LSST DESC 的 DC2 模拟数据上验证流水线，确保其在真实世界中的适用性。

提出的方法

• 流水线采用模块化架构，包含专门用于去噪、去混叠、透镜检测和参数建模的组件。
• 利用最先进的星系外星表生成合成透镜图像，其质量与光分布具有真实感。
• 中间模块在逐步更真实的合成数据上进行训练，以提升鲁棒性并减少域偏移。
• 通过参数的不确定性预测实现不确定性量化，支持误差来源分析。
• 掩码提取模块可分离透镜光，减少前景和背景结构的污染。
• 流水线在真实HSC图像和LSST DESC DC2模拟数据上进行验证，性能通过检测准确率和不确定性校准进行评估。

实验结果

研究问题

• RQ1 仅使用合成训练数据，模块化深度学习流水线能否在星系尺度强透镜检测中实现高精度？
• RQ2 模型中的不确定性估计在多大程度上能解释误分类现象并提升检测可靠性？
• RQ3 在合成数据中引入子结构和次级透镜后，模型在真实观测中的泛化能力提升程度如何？
• RQ4 去混叠和掩码提取模块在处理具有视线方向结构的复杂透镜系统时效果如何？
• RQ5 该流水线能否在不同巡天特性下保持高性能，例如地面望远镜（HSC）与空间望远镜（LSST）数据？

主要发现

• 流水线在HSC真实数据和LSST DESC DC2模拟数据上均实现了高检测准确率，展现出跨巡天类型的强泛化能力。
• 不确定性估计成功识别出误分类的根本原因，如混叠或子结构效应，显著增强了模型的可解释性。
• 使用逐步更真实的合成数据显著提升了模型鲁棒性，尤其在处理复杂透镜形态方面表现优异。
• 掩码提取模块有效减少了透镜光和视线方向星系的污染，但在强子结构透镜的极端情况下仍存在局限。
• 模型学习到的潜在空间在不同透镜类别间表现出语义分离，表明其具备有意义的表征学习能力。
• 尽管初始合成模型存在局限（如简化质量/光分布），该流水线在适配更真实模拟方面展现出强大潜力。