[论文解读] Variational Inference for Deblending Crowded Starfields

Runjing Liu, Jon McAuliffe+1 more|arXiv (Cornell University)|Feb 4, 2021

Time Series Analysis and Forecasting参考文献 31被引用 7

一句话总结

本文提出 StarNet，一种基于变分推断与摊销推断及前向 KL 散度最小化的贝叶斯去混叠方法，用于密集星场。在 SDSS M2 球状星团图像上，其 F1 分数显著高于 PCAT 与 DAOPHOT，证明了该方法在大规模天文巡天中具备鲁棒的可扩展性与不确定性量化能力。

ABSTRACT

In images collected by astronomical surveys, stars and galaxies often overlap visually. Deblending is the task of distinguishing and characterizing individual light sources in survey images. We propose StarNet, a Bayesian method to deblend sources in astronomical images of crowded star fields. StarNet leverages recent advances in variational inference, including amortized variational distributions and an optimization objective targeting an expectation of the forward KL divergence. In our experiments with SDSS images of the M2 globular cluster, StarNet is substantially more accurate than two competing methods: Probabilistic Cataloging (PCAT), a method that uses MCMC for inference, and DAOPHOT, a software pipeline employed by SDSS for deblending. In addition, the amortized approach to inference gives StarNet the scaling characteristics necessary to perform Bayesian inference on modern astronomical surveys.

研究动机与目标

• 解决在传统软件流水线无法提供校准不确定性的情况下，密集天文物体图像中重叠光斑源去混叠的挑战。
• 开发一种可扩展的贝叶斯方法，以应对现代巡天（如 LSST）预期产生的海量数据（预计达 60 PB 图像）。
• 改进现有基于概率的星表生成方法（如 PCAT），后者依赖缓慢的 MCMC 采样，通过实现适用于大规模应用的快速摊销推断。
• 确保对先验参数选择与随机初始化的鲁棒性，这对于在高密度星场中存在模糊源配置时实现可靠推断至关重要。

提出的方法

• 提出 StarNet，一种贝叶斯层次模型，将每颗恒星视为具有通量与位置参数的点源，并将图像强度建模为叠加源轮廓上的泊松过程。
• 使用摊销变分推断近似星表后验分布，通过深度神经网络在图像间共享推断参数，实现快速推断。
• 优化基于近似后验与真实后验之间前向 KL 散度期望的损失函数，以提升后验近似的质量。
• 采用具有 17 通道卷积、批量归一化与 Dropout 的残差卷积神经网络架构，提取图像特征并预测后验参数。
• 对恒星数量（泊松分布，参数为 μ）与通量（幂律分布，斜率为 α）引入先验分布，并在一系列先验取值范围内测试其鲁棒性。
• 采用带多次随机重初始化的随机优化方法，评估推断过程的稳定性与泛化能力。

实验结果

研究问题

• RQ1 能否有效将变分推断框架适配至无真实标签的密集星场去混叠任务？
• RQ2 在真实 SDSS 图像上，StarNet 的 F1 分数、精确率与召回率相较于 DAOPHOT 与 PCAT 等成熟方法表现如何？
• RQ3 StarNet 的性能在多大程度上对先验超参数 μ（每像素平均恒星数）与 α（通量幂律斜率）的变化保持鲁棒？
• RQ4 考虑到高密度区域去混叠的计算需求，摊销推断方法是否能够扩展至 LSST 等大规模天文巡天？
• RQ5 StarNet 在极端源密集区域中，能否在去混叠过程中有效传播校准的不确定性？

主要发现

• 在主 M2 子区域（100×100 像素）中，StarNet 的 F1 分数达到 0.50，显著高于 DAOPHOT 的 F1 分数 0.31，且优于未明确量化性能的 PCAT。
• 在恒星数量达 15,094 颗/100×100 像素的更密集子区域（C）中，StarNet 的 F1 分数为 0.13，远超 DAOPHOT 的 0.007，表明其在极端密集情况下的优越性能。
• 在 μ 的广泛取值范围（0.08 至 0.20）内，F1 分数稳定在 0.49 至 0.51 之间，表明对先验设定具有高度鲁棒性。
• 在十次随机重初始化中，F1 分数在 0.50 至 0.55 之间波动，表明优化过程收敛稳定且结果可靠。
• 该方法成功对 DECam 巡天的一个子区域进行了星表生成，证实其可扩展至真实世界、现代天文数据集。
• 恒星数量的后验预测分布校准良好，区域 A 的 95% 可信区间（1430–1497）包含真实恒星数（1114），验证了不确定性量化的有效性。