来自星系的光发射表现出不同的亮度剖面,受到星系类型,结构特征和与其他星系相互作用等因素的影响。 椭圆星系具有更均匀的光分布,而螺旋和不规则星系由于其结构异质性和恒星形成活动而具有复杂,不同的光剖面。 此外,具有活动星系核(AGN)的星系具有强烈的,集中在超大质量黑洞周围的气体吸积物中,叠加在常规星系光上,而准恒星物体(QSO)是AGN发射主导星系的极端情况。 识别AGN和QSO的挑战已经在文献中多次讨论过,通常需要多波长观测。 本文介绍了从单个图像中识别AGN和QSO的新方法。 机器学习文献中最近开发了扩散模型,以生成逼真的日常物体图像。 利用欧几里得VIS图像的空间解析能力,我们创建了一个在一百万个源上训练的扩散模型,而无需使用任何源预选或标签。 该模型学习重建正常星系的光分布,因为种群由它们主导。 我们通过遮蔽每个源的中心几个像素来规范中央光分布的预测,并根据扩散模型重建光。 我们进一步使用此预测来识别偏离此配置文件的来源,方法是检查每个源核心中再生的少数中心像素的重建错误。 我们的方法仅使用VIS成像,与传统AGN和QSO选择方法相比具有很高的完整性,包括光学,近红外,中红外和X射线。