天文图像复原

在Data–driven Image Restoration with Option–driven Learning for Big and Small Astronomical Image Datasets一文中，我们为基于数据驱动的不成对图像复原提供了完整的训练方案(DIROL)。

针对不同退化条件下的观测，无论参考图像的数量如何，对比同类技术，我们的方案都取得稳定的复原效果。下图分别统计大规模数据训练及小批量数据优化的PSNR成绩。

该方案基于生成对抗网络的架构，针具体场景进行优化：

1. 双路映射 -> 自映射损失为G_toc和G_tob提供正则项 –> 约束解空间、更快收敛。

• 更好的参数初始化 -> 使用清晰/模糊的先验对网络预训练 -> 生成器判别器解耦、减轻震荡。

• 选项驱动学习 -> 小数据集下分布度量失效 -> 抑制清晰侧判别器带来的主动迁移，图像复原受cycle损失回环驱动， i_c及i_ctob对i_b的迁移产生竞争。

SOME RESULTS:

大规模数据训练

小批量数据优化