[论文解读] SeeingGAN: Galactic image deblurring with deep learning for better morphological classification of galaxies

Fang Kai Gan, Kenji Bekki+1 more|arXiv (Cornell University)|Mar 17, 2021

Image Processing Techniques and Applications参考文献 2被引用 4

一句话总结

本文提出SeeingGAN，一种基于深度学习的生成对抗网络（GAN），可将地面望远镜（如昴宿望远镜）拍摄的星系图像去模糊化，实现类似哈勃空间望远镜（HST）的清晰度。通过使用配对的昴宿望远镜-HST图像进行训练，SeeingGAN增强了细结构的可见性（例如旋臂、棒状结构），相较于原始模糊图像，CW-SSIM指标提升18%，显著提高了形态分类的准确性，且无需对望远镜进行物理升级。

ABSTRACT

Classification of galactic morphologies is a crucial task in galactic astronomy, and identifying fine structures of galaxies (e.g., spiral arms, bars, and clumps) is an essential ingredient in such a classification task. However, seeing effects can cause images we obtain to appear blurry, making it difficult for astronomers to derive galaxies' physical properties and, in particular, distant galaxies. Here, we present a method that converts blurred images obtained by the ground-based Subaru Telescope into quasi Hubble Space Telescope (HST) images via machine learning. Using an existing deep learning method called generative adversarial networks (GANs), we can eliminate seeing effects, effectively resulting in an image similar to an image taken by the HST. Using multiple Subaru telescope image and HST telescope image pairs, we demonstrate that our model can augment fine structures present in the blurred images in aid for better and more precise galactic classification. Using our first of its kind machine learning-based deblurring technique on space images, we can obtain up to 18% improvement in terms of CW-SSIM (Complex Wavelet Structural Similarity Index) score when comparing the Subaru-HST pair versus SeeingGAN-HST pair. With this model, we can generate HST-like images from relatively less capable telescopes, making space exploration more accessible to the broader astronomy community. Furthermore, this model can be used not only in professional morphological classification studies of galaxies but in all citizen science for galaxy classifications.

研究动机与目标

• 为解决大气视宁度导致地面望远镜星系图像模糊的问题，该问题会掩盖对形态分类至关重要的精细结构。
• 开发一种基于深度学习的方法，将模糊的昴宿望远镜图像转换为类似哈勃空间望远镜（HST）的去模糊图像，且无需对望远镜进行物理改造。
• 通过提升图像清晰度，提高自动化和公民科学项目中星系分类的准确性和可靠性。
• 证明基于GAN的图像翻译方法能够有效减轻天文成像中的视宁度影响。
• 使专业和公众天文学项目能够更广泛地获取高质量星系图像。

提出的方法

• 该方法采用条件生成对抗网络（cGAN），在昴宿望远镜（模糊）和哈勃空间望远镜（清晰）的配对图像上进行训练。
• 生成器网络通过最小化感知损失和对抗损失，学习将模糊星系图像映射为去模糊的、类似HST的图像。
• 判别器网络负责区分真实HST图像与生成的去模糊图像，以促进图像的逼真度。
• 模型通过结合像素级L1损失、感知损失和对抗损失进行训练，以保留结构和纹理细节。
• 训练数据由对齐的昴宿望远镜-HST图像对组成，经过预处理以实现数据归一化和增强。
• 推理阶段将训练好的生成器应用于未见过的昴宿望远镜图像，快速高效地生成去模糊输出。

实验结果

研究问题

• RQ1 基于GAN的模型能否有效去模糊地面望远镜拍摄的星系图像，实现类似哈勃空间望远镜（HST）的清晰度？
• RQ2 去模糊在多大程度上提升了对旋臂、棒状结构和星团等精细星系结构的检测能力？
• RQ3 使用结构相似性指标进行定量比较时，去模糊图像与原始模糊图像相比表现如何？
• RQ4 当拥有足够的配对图像数据时，该方法是否可推广至其他地面望远镜（如甚大望远镜VLT或凯克望远镜）？
• RQ5 去模糊图像是否能提升自动化和公民科学项目中星系分类的准确性？

主要发现

• 与原始昴宿望远镜图像相比，SeeingGAN生成的去模糊图像在复杂小波结构相似性指数（CW-SSIM）上提升了18%，且相对于HST参考图像表现更优。
• SeeingGAN生成的去模糊图像显著增强了旋臂、棒状结构和潮汐尾等精细星系结构的可见性，这些结构在原始模糊图像中通常难以辨认。
• 该模型成功恢复了因大气视宁度而丢失的高频细节，表现出对未见星系图像的强大泛化能力。
• SeeingGAN的推理速度足够快，可处理大规模星系图像库，适用于未来巡天项目的可扩展应用。
• 该方法具备可迁移性：在拥有足够配对数据的前提下，可为其他地面望远镜（如VLT、Keck或斯隆数字巡天SDSS）开发类似模型。
• 结果表明，因图像模糊而曾被误分类为S0型的星系，经去模糊处理后可能被重新分类为螺旋星系，这对星系演化与形态密度研究具有重要影响。