[论文解读] 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 8

一句话总结

本文提出 CPM 差分成像（CPM Difference Imaging），一种新颖的像素级方法，用于在无需参考图像或显式 PSF/指向模型的情况下检测时域成像中的变源。通过使用因果像素模型（CPM）将每个像素建模为来自因果上分离、非变源像素的线性组合，该方法在差分成像中实现了接近光子噪声极限的精度，优于经典方法在配准和 PSF 稳健性方面的表现，同时在密集场中实现了精确测光。

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.

研究动机与目标

• 解决经典差分成像方法对精确图像配准、PSF 估计和参考图像构建的依赖。
• 开发一种方法，在对指向和 PSF 变化等仪器效应假设极少的前提下检测密集场中的变源。
• 在不依赖卷积核或显式核拟合的情况下，实现图像差分的光子噪声极限精度。
• 在中等指向和 PSF 不稳定性条件下，实现对 K2、LSST 和 TESS 等时域巡天的鲁棒测光。
• 探索数据驱动像素建模在提升成像巡天中变异性检测能力方面的潜力。

提出的方法

• 图像中的每个像素均被建模为同一观测 epoch 中其他像素的线性组合，这些像素选自与目标像素在因果上分离的区域，以避免天体物理变异性的影响。
• 因果像素模型（CPM）使用 L2 正则化线性回归，基于一组空间分离的、非变源的预测像素来预测像素值。
• 该方法无需知晓指向、PSF 或测光定标信息；相反，它从数据中隐式学习仪器效应。
• 通过从观测值中减去预测像素值来计算图像差分，生成残差图像，其中变源表现为偏离。
• 该模型在图像时间序列上进行训练，超参数（如预测像素数量和正则化强度）通过交叉验证进行优化。
• 预测像素的选择目前为启发式方法——基于空间邻近性或亮度——但本文建议探索基于变异性过滤或 L1 正则化以提升稀疏性和性能。

实验结果

研究问题

• RQ1 数据驱动的像素级模型是否能在无需参考图像的情况下实现接近光子噪声极限的图像差分？
• RQ2 与经典差分成像相比，该方法在中等指向变化和 PSF 变化下的表现如何？
• RQ3 CPM 差分成像是否能在无需显式 PSF 或天球坐标建模的情况下检测变源并实现精确测光？
• RQ4 预测像素选择和正则化策略对方法精度和鲁棒性有何影响？
• RQ5 与经典方法相比，该方法在减少像素内和像素间变化引起的伪影方面能减少到何种程度？

主要发现

• CPM 差分成像在中等指向和 PSF 变化下仍能实现接近光子噪声极限的图像差分精度。
• 该方法在指向变化低于约 PSF 的 1 FWHM 时保持高性能，显著降低了经典方法对天体测量配准的严格要求。
• 该方法完全避免了 PSF 估计，消除了因 PSF 建模不完善或核拟合错误而带来的误差，而这些是经典方法的常见故障点。
• 在模拟数据和 K2 任务第 9 期微引力透镜观测中，CPM 差分成像成功检测到变源，并在密集场中实现了精确的差分测光。
• 该方法通过 CPM 框架内部建模仪器效应，减少了对减去后去趋势处理的需求。
• 通过优化超参数并改进预测像素选择（如排除变源像素或使用 L1 正则化以实现稀疏性），可进一步提升性能。