基于深度学习的太阳图像高分辨重建方法研究

The frequency-domain statistical methods are usually used in high resolution solar image reconstruction. They have some fundamental shortages for improving the measurement accuracy of high-resolution solar structures, such as the problems of phase recursion error and the limitation of observation temporal resolution. Therefore, it is worthy to look for a new way to reconstruct solar image. This proposal focuses on how to apply deep learning technology to solve this problem. Deep learning technology has a strongly ability for representing high-dimensional complex functions of big data, and it makes it highly possible for figuring out the complex relation model between the solar short-exposure speckle images and the real solar structure target. Our final target is to train a nonlinear mapping model network with the supervision and self-supervision deep learning, also the model can be applied to the high resolution reconstruction of the sun speckle image in daily observation. Our prior work based on synthetic image has revealed that deep learning is effective in reconstructing solar speckle images, but there are still many key issues need to be further studied and solved: including the collection of training sample set for speckle reconstruction, the optimization of deep learning network, the setup of training strategy and the selection of results evaluation. This project has remarkable characteristics and innovation compared with the traditional methods in method, content of the research and the result. The Innovations and contributions of the project will form a new type of reconstruction method with fault-tolerant and robustness, and promote the application of deep learning in astronomical data processing.

由于目前广泛采用的频域统计技术存在相位递推误差、观测时间分辨率受限等问题，影响了太阳高分辨结构的精确测量，因此有必要探索太阳高分辨重建的新方法。本项目力图借助深度学习在大数据高维复杂函数表示方面的优势，采用有监督及自监督的深度学习框架，通过大量样本的统计学习，发现表征太阳短曝光斑点图到真实目标之间的复杂非线性映射模型，并将该模型应用于太阳斑点图像的高分辨重建工作。基于模拟数据重建的先期工作已经揭示了这种方法的有效性，但本项目需进一步研究和解决下列关键问题：用于斑点图重建的训练样本集构建、面向太阳图像高分辨重建的深度学习网络构架优化、与之对应的网络训练策略制定以及结果评价方法选取等。项目从采用的方法、研究的内容到最后的数值模型结果与传统方法的相比都具有显著的特点和创新性。项目研究将形成新的一类具有更好容错性和鲁棒性的斑点图重建方法，促进深度学习在天文大数据处理中的应用。

本项目旨在系统性地研究应用基于深度学习的人工智能技术，进行太阳观测数据高分辨重建和增强的方法。基于这一目标，我们的研究内容分为两个大的方面。.1、地基观测数据的高分辨重建方法.分别运用深度残差卷积神经网络模型和非刚性特征对齐方法，针对大气对地基观测造成的影响，对斑点图退化的模糊、畸变、闪烁等统计关系进行系统、定量预测的回归分析，并开发了一套完整的基于机器学习的斑点图重建程序，并投入了NVST观测数据的重建。分析和实际观测应用的结果表明，项目研究工作圆满完成了：样本集的构建、面向太阳高分辨重建的深度学习网络架构、深度神经网络训练策略以及重建结果的定量评估方法等计划书规定的研究目标。.其中，“基于非刚性对齐的太阳图像高分辨重建方法“，已投入NVST日常观测应用，成为NVST观测数据处理pipeline的重要环节之一。.2、空间望远镜观测数据的分辨率增强方法.此外，项目组开展的在针对空间太阳望远镜观测特性，结合不同观测设备的优势，进行时空分辨率增强的人工智能方法，为太阳精细结构分析、光球水平流的精确估计、纳耀斑观测证据的找寻、EUV与软X射线辐射关联分析等方法为太阳物理研究和应用提供了有力的支持。不仅拓展了经典的太阳观测数据处理技术，更为太阳物理研究方法提供了新的视角和途径，同时也能促进人工智能在天文大数据处理领域的应用。