Direct Exoplanet Detection Using Deep Convolutional Image Reconstruction (ConStruct): A New Algorithm for Post-Processing High-Contrast Images

要約

私たちは、高コントラストの補償光学イメージング データセット内の微弱な点光源を検出するための新しい機械学習アプローチを紹介します。
一次減算に最も広く使用されているアルゴリズムは、イメージング シーケンスの各フレームから時間的に進化する恒星ノイズの近似値を減算することで、明るい恒星のスペックル ノイズを惑星の痕跡から分離することを目的としています。
私たちのアプローチは、新しい直接イメージング後処理アルゴリズムで深層学習を活用することで、恒星のノイズ近似を改善し、惑星検出感度を高めることを目的としています。
実際の画像シーケンスの広範な参照ライブラリでトレーニングされた畳み込みオートエンコーダ ニューラル ネットワークが、潜在的な惑星信号の位置で恒星のスペックル ノイズを正確に再構築することを示します。
このツールは、畳み込み画像再構成による直接系外惑星検出 (ConStruct) と呼ばれる後処理アルゴリズムで使用されます。
ConStruct の信頼性と感度は、実際の Keck/NIRC2 角度差分画像データセットを使用して評価されます。
私たちが調査した 30 個の独自の点光源のうち、ConStruct は 67$\%$ のケースで従来の PCA ベースの処理よりも高い S/N を実現し、相対コントラストを最大 2.6 倍改善しました。
この研究は、点像分布関数実現の多様な参照ライブラリを活用して直接イメージングの後処理を改善する深層学習の価値と可能性を実証しています。
ConStruct とその将来の改良は、現行世代および今後の 30 メートルクラスの望遠鏡用に設計されたものの両方において、ジェームズ ウェッブ宇宙望遠鏡や極端な補償光学機器からの高コントラスト画像を後処理するためのツールとして特に役立つ可能性があります。

要約(オリジナル)

We present a novel machine-learning approach for detecting faint point sources in high-contrast adaptive optics imaging datasets. The most widely used algorithms for primary subtraction aim to decouple bright stellar speckle noise from planetary signatures by subtracting an approximation of the temporally evolving stellar noise from each frame in an imaging sequence. Our approach aims to improve the stellar noise approximation and increase the planet detection sensitivity by leveraging deep learning in a novel direct imaging post-processing algorithm. We show that a convolutional autoencoder neural network, trained on an extensive reference library of real imaging sequences, accurately reconstructs the stellar speckle noise at the location of a potential planet signal. This tool is used in a post-processing algorithm we call Direct Exoplanet Detection with Convolutional Image Reconstruction, or ConStruct. The reliability and sensitivity of ConStruct are assessed using real Keck/NIRC2 angular differential imaging datasets. Of the 30 unique point sources we examine, ConStruct yields a higher S/N than traditional PCA-based processing for 67$\%$ of the cases and improves the relative contrast by up to a factor of 2.6. This work demonstrates the value and potential of deep learning to take advantage of a diverse reference library of point spread function realizations to improve direct imaging post-processing. ConStruct and its future improvements may be particularly useful as tools for post-processing high-contrast images from the James Webb Space Telescope and extreme adaptive optics instruments, both for the current generation and those being designed for the upcoming 30 meter-class telescopes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google