Investigation on deep learning-based galaxy image translation models
Hengxin Ruan, Qiufan Lin, Shupei Chen, Yang Wang, Wei Zhang
星系图像翻译是星系物理学和宇宙学的重要应用。 通过基于深度学习的生成模型,图像翻译已用于图像生成,数据质量增强,信息提取,并推广用于其他任务,如退行和异常检测。 然而,大多数图像翻译工作主要集中在星系图像的像素级和形态级统计上。 缺乏关于保存复杂的高阶星系物理信息的讨论,这对于依赖高保真图像翻译的研究更具挑战性,但至关重要。 因此,我们研究了生成模型在保存高阶物理信息(以光谱红移为代表)以及像素级和形态级信息方面的有效性。 我们测试了四种代表性模型,即Swin Transformer,SRGAN,胶囊网络和扩散模型,使用SDSS和CFHTLS星系图像。 我们发现,这些模型在保留红移信息方面显示出不同程度的无能,即使星系和形态级统计的全球结构可以大致复制。 特别是,发现星系的跨波段峰值通量包含有意义的红移信息,而它们则受到图像翻译中明显的不确定因素,这可能是由于许多映射的性质。 尽管如此,不完美的翻译图像可能仍然包含相当多的信息,因此对不需要高图像保真度的下游应用程序具有希望。 我们的工作可以促进进一步研究复杂的物理信息如何在星系图像上表现出来,并为科学使用的图像翻译模型的发展提供了影响。
Galaxy image translation is an important application in galaxy physics and cosmology. With deep learning-based generative models, image translation has been performed for image generation, data quality enhancement, information extraction, and generalized for other tasks such as deblending and anomaly detection. However, most endeavors on image translation primarily focus on the pixel-level and morphology-level statistics of galaxy images. There is a lack of discussion on the preservation of comp...
