近日，太原理工大学电子信息与光学工程学院的贾鹏教授团队发布了一种新型图像复原思路（Image Restoration with Point Spread Function Regularization and Active Learning），通过将先进的深度学习技术与高保真望远镜模拟器相结合，对一定物理约束下的模糊图像实现了复原。
随着天文观测数据的不断增加，降低各种噪声和图像退化过程影响对星系、星云等天体图像的影响成为一项挑战。为了解决这一问题，该团队创新性地结合了深度学习技术与望远镜模拟技术（如图1所示）。在训练过程中，利用高保真望远镜模拟器，根据参数字典生成具有不同模糊程度的模拟图像。这些多样化的图像数据被用于训练深度学习图像复原算法，使其能够更加智能地识别和处理各种模糊情况。通过这种训练方式，复原算法在处理实际望远镜捕获的图像时，表现出了更高的效率和准确性。为了提高计算效率，研究团队还引入了并行计算技术，将模拟和复原任务分布在不同计算节点上同时进行。
为了验证算法的有效性，团队首先对模拟数据进行了测试，结果显示算法能够很好地处理不同程度的噪声和模糊。在真实数据测试中，他们使用了斯隆数字巡天项目（SDSS）的低表面亮度星系数据（如图2所示）。结果表明，该算法不仅显著提升了图像的峰值信噪比（PSNR），还原了更多星系的细节，而且处理速度比传统的Richard-Lucy方法快100倍。
此外，团队还处理了SDSS- R波段的大尺寸图像（1024x1024像素），并使用SExtractor软件进行光度测量和定位。经过算法处理的图像在测光与定位性能方面均展现出了显著的提升。具体而言，测光精度平均优化了0.25个星等，而定位精度则平均提升了13.5%（如图3所示）。
展望未来，研究团队计划进一步优化高保真望远镜模拟器，以适应不同巡天项目的数据特点。同时，也将继续探索新的正则化方法，以提升复原算法的性能，使其更好地应对多样的图像特征和噪声水平。该研究成果有望应用于未来的大规模巡天项目，如LSST、Euclid和CSST，助力科学家更深入地了解星系的形态与演化。
有关详细信息，请参阅2024年4月《Monthly Notices of the Royal Astronomical Society》上发表的完整研究论文，标题为《Image Restoration with Point Spread Function Regularization and Active Learning》。
论文内容解读由太原理工大学吕佳蒙同学完成，相关视频链接：
吕佳蒙于2021年从太原理工大学本科毕业，自2020年起加入智能光学成像实验室，主要从事天文图像处理与分析工作，包括图像预处理、星系分类以及目标检测等方面。
智能光学成像实验室由贾鹏教授创立，致力于国家基础科学装置和战略需求，开展光电系统数字孪生及智能信号处理研究。在国家自然科学基金、科技部重点研发计划青年科学家项目、载人航天工程和平方公里阵专项项目的支持下，实验室融合天文仪器数字孪生和智能数据处理技术，开展天文目标信息自动提取和未知天文目标发现研究，助力我国科学实现从0到1的突破。