Euclid Quick Data Release (Q1). Active galactic nuclei identification using diffusion-based inpainting of Euclid VIS images

要約

銀河からの光放出は、銀河タイプ、構造的特徴、他の銀河との相互作用などの要因の影響を受け、多様な輝度プロファイルを示します。
楕円形の銀河は、より均一な光分布を備えていますが、スパイラルおよび不規則な銀河は、構造的な不均一性と星形成活性のために複雑で多様な光プロファイルを持っています。
さらに、活性銀河核（AGN）を備えた銀河は、通常の銀河光に重ね合わせられ、銀河を支配するAGN放射の極端なケースである一方、超壁のブラックホールの周りのガス降着からの強い集中放出を特徴としています。
AGNとQSOを特定するという課題は、文献で何度も議論されており、多くの場合、多波長の観察が必要です。
このペーパーでは、単一の画像からAGNとQSOを識別するための新しいアプローチを紹介します。
拡散モデルは最近、機械学習文献で開発され、日常のオブジェクトの現実的な画像を生成しています。
ユークリッドVIS画像の空間分解力を利用して、ソースの事前選択やラベルを使用せずに、100万のソースでトレーニングされた拡散モデルを作成しました。
モデルは、母集団が支配しているため、通常の銀河の光分布を再構築することを学びます。
各ソースの中央の数ピクセルをマスクし、拡散モデルに従って光を再構築することにより、中央光分布の予測を条件付けます。
さらに、この予測を使用して、各ソースのコアで再生された少数の中央ピクセルの再構成エラーを調べることにより、このプロファイルから逸脱するソースを特定します。
私たちのアプローチは、VISイメージングのみを使用して、光学、近赤外、中赤外線、X線など、従来のAGNおよびQSO選択の方法と比較して高い完全性を特徴としています。
[要約]

要約(オリジナル)

Light emission from galaxies exhibit diverse brightness profiles, influenced by factors such as galaxy type, structural features and interactions with other galaxies. Elliptical galaxies feature more uniform light distributions, while spiral and irregular galaxies have complex, varied light profiles due to their structural heterogeneity and star-forming activity. In addition, galaxies with an active galactic nucleus (AGN) feature intense, concentrated emission from gas accretion around supermassive black holes, superimposed on regular galactic light, while quasi-stellar objects (QSO) are the extreme case of the AGN emission dominating the galaxy. The challenge of identifying AGN and QSO has been discussed many times in the literature, often requiring multi-wavelength observations. This paper introduces a novel approach to identify AGN and QSO from a single image. Diffusion models have been recently developed in the machine-learning literature to generate realistic-looking images of everyday objects. Utilising the spatial resolving power of the Euclid VIS images, we created a diffusion model trained on one million sources, without using any source pre-selection or labels. The model learns to reconstruct light distributions of normal galaxies, since the population is dominated by them. We condition the prediction of the central light distribution by masking the central few pixels of each source and reconstruct the light according to the diffusion model. We further use this prediction to identify sources that deviate from this profile by examining the reconstruction error of the few central pixels regenerated in each source’s core. Our approach, solely using VIS imaging, features high completeness compared to traditional methods of AGN and QSO selection, including optical, near-infrared, mid-infrared, and X-rays. [abridged]

arxiv情報

提供元, 利用サービス

arxiv.jp, Google