CLEANing Cygnus A deep and fast with R2D2

要約

天文学における電波干渉法による合成イメージングのための新しい深層学習パラダイムが最近提案され、「ハイ ダイナミック レンジ イメージング用の残差対残差 DNN シリーズ」(R2D2) と名付けられました。
この研究では、R2D2 のアルゴリズム構造に光を当てることから始め、トレーニングが反復固有のディープ ニューラル ネットワーク (DNN) で置き換えられたマイナー サイクルを備えた CLEAN の学習バージョンとして解釈します。
次に、VLA (Very Large Array) による S バンド観測からの電波銀河白鳥座 A の単色強度イメージングについて、実際のデータを使用した R2D2 の最初のデモンストレーションに進みます。
R2D2 の学習アプローチのモデリング能力により、CLEAN の解像度を上回り、最新の最適化アルゴリズムとプラグアンドプレイ アルゴリズム (それぞれ uSARA と AIRI) の精度に匹敵する高精度イメージングの提供が可能になることを示します。
R2D2 は、わずかなメジャー サイクルの反復のみを必要とし、反復性が高いことで知られる uSARA や AIRI よりもはるかに高速な再構築を実現し、少なくとも CLEAN と同等の速度を実現します。

要約(オリジナル)

A novel deep learning paradigm for synthesis imaging by radio interferometry in astronomy was recently proposed, dubbed ‘Residual-to-Residual DNN series for high-Dynamic range imaging’ (R2D2). In this work, we start by shedding light on R2D2’s algorithmic structure, interpreting it as a learned version of CLEAN with minor cycles substituted with a deep neural network (DNN) whose training is iteration-specific. We then proceed with R2D2’s first demonstration on real data, for monochromatic intensity imaging of the radio galaxy Cygnus A from S band observations with the Very Large Array (VLA). We show that the modeling power of R2D2’s learning approach enables delivering high-precision imaging, superseding the resolution of CLEAN, and matching the precision of modern optimization and plug-and-play algorithms, respectively uSARA and AIRI. Requiring few major-cycle iterations only, R2D2 provides a much faster reconstruction than uSARA and AIRI, known to be highly iterative, and is at least as fast as CLEAN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google