Deep-Dark-Net：一种基于生成对抗网络的导星相机暗流预测模型

分类： 天文学 提交时间： 2024-12-31

曲伯桓 杨贺珺 何宇轩 郭远昊 刘 宇 曹子皇 齐朝祥 于 涌 王培培 赵永恒 张 勇 王淑青 栗 剑 吕冠儒 曹兴华 向 铭 邱虹云

摘要： 暗流会影响图像质量、降低星像的信噪比，进而影响星像位置和流量测量的精度，因此需要在天文数据处理中准确估计并去除暗流。LAMOST 导星图像处理的需求为：在无暗场图像情况下高精度处理历史导星图像数据，简化导星相机暗场图像拍摄的步骤，可以利用导星图像的特性反演和生成高精度可靠的暗场图像。利用LAMOST 导星原始数据的特性，提出一种基于生成对抗网络模型来精确估计暗流的新方法——Deep-Dark-Net。该方法利用条件生成对抗网络，构建导星图像 Overscan 区域、Optical Black 区域与对应的有效成像区域噪声之间的关联模型，从而通过这些区域反演和重构高精度暗场图像。实验表明：Deep-Dark-Net 预测的暗流与真实暗流的符合度高于传统方法，满足了 LAMOST 望远镜导星图像处理对暗场图像的需求。该工作不仅为天文图像暗流的处理提供了一种新思路、新方法，也为深度学习技术在天文图像处理中的潜在价值和应用方向提供了重要的视角和示例。

同行评议状态:待评议

 点击量 1679  下载量 491  评论 0