Rethinking data-driven point spread function modeling with a differentiable optical model

要約

天文学では、広視野光学機器を備えた今後の宇宙望遠鏡は、空間的に変化する点広がり関数 (PSF) を持っています。
特定の科学的目標では、PSF の直接測定が提供されないターゲット位置での PSF の忠実度の高い推定が必要です。
PSF の観測は、視野 (FOV) のいくつかの位置で利用できますが、それらはアンダーサンプリングされ、ノイズが多く、機器の通過帯域の波長に統合されています。
PSF モデリングは、FOV 内の任意の波長と位置で超解像 PSF を推測できる、劣化した観測からモデルを構築する必要があるため、困難な不適切な設定の問題を表しています。
私たちのモデルは、WaveDiff という造語で、望遠鏡の点広がり関数場のデータ駆動型モデリングにおけるパラダイム シフトを提案します。
微分可能な光フォワード モデルをモデリング フレームワークに追加することにより、データ駆動型モデリング スペースをピクセルから波面に変更します。
この変更により、機器の応答からフォワード モデルへの複雑さの移行が可能になります。
提案されたモデルは、確率的勾配降下法に依存してそのパラメーターを推定します。
私たちのフレームワークは、特別なキャリブレーション データを必要としない、強力で物理的に動機付けられたモデルを構築する道を開きます。
この論文では、宇宙望遠鏡の単純化された設定で WaveDiff モデルを示します。
提案されたフレームワークは、既存の最先端のデータ駆動型アプローチに対するパフォーマンスのブレークスルーを表しています。
ピクセル再構成エラーは、観測解像度では 6 倍、3 倍の超解像度では 44 倍に減少します。
楕円率の誤差は少なくとも 20 分の 1 に減少し、サイズの誤差は 250 分の 1 以上減少します。
ノイズの多い広帯域のインフォーカス観測のみを使用することで、回折による PSF 色の変化をうまく捉えることができます。
コードは https://github.com/tobias-liaudat/wf-psf で入手できます。

要約(オリジナル)

In astronomy, upcoming space telescopes with wide-field optical instruments have a spatially varying point spread function (PSF). Specific scientific goals require a high-fidelity estimation of the PSF at target positions where no direct measurement of the PSF is provided. Even though observations of the PSF are available at some positions of the field of view (FOV), they are undersampled, noisy, and integrated into wavelength in the instrument’s passband. PSF modeling represents a challenging ill-posed problem, as it requires building a model from degraded observations that can infer a super-resolved PSF at any wavelength and position in the FOV. Our model, coined WaveDiff, proposes a paradigm shift in the data-driven modeling of the point spread function field of telescopes. We change the data-driven modeling space from the pixels to the wavefront by adding a differentiable optical forward model into the modeling framework. This change allows the transfer of complexity from the instrumental response into the forward model. The proposed model relies on stochastic gradient descent to estimate its parameters. Our framework paves the way to building powerful, physically motivated models that do not require special calibration data. This paper demonstrates the WaveDiff model in a simplified setting of a space telescope. The proposed framework represents a performance breakthrough with respect to the existing state-of-the-art data-driven approach. The pixel reconstruction errors decrease 6-fold at observation resolution and 44-fold for a 3x super-resolution. The ellipticity errors are reduced at least 20 times, and the size error is reduced more than 250 times. By only using noisy broad-band in-focus observations, we successfully capture the PSF chromatic variations due to diffraction. Code available at https://github.com/tobias-liaudat/wf-psf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google