Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Learning to denoise astronomical images with U-nets

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F21%3A00123743" target="_blank" >RIV/00216224:14310/21:00123743 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://doi.org/10.1093/mnras/staa3567" target="_blank" >https://doi.org/10.1093/mnras/staa3567</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1093/mnras/staa3567" target="_blank" >10.1093/mnras/staa3567</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Learning to denoise astronomical images with U-nets

  • Popis výsledku v původním jazyce

    Y Astronomical images are essential for exploring and understanding the Universe. Optical telescopes capable of deep observations, such as the Hubble Space Telescope (HST), are heavily oversubscribed in the Astronomical Community. Images also often contain additive noise, which makes denoising a mandatory step in post-processing the data before further data analysis. In order to maximize the efficiency and information gain in the post-processing of astronomical imaging, we turn to machine learning. We propose ASTRO U-NET, a convolutional neural network for image denoising and enhancement. For a proof-of-concept, we use HST images from Wide Field Camera 3 instrument UV/visible channel with F555W and F606W filters. Our network is able to produce images with noise characteristics as if they are obtained with twice the exposure time, and with minimum bias or information loss. From these images, we are able to recover 95.9 per cent of stars with an average flux error of 2.26 per cent. Furthermore, the images have, on average, 1.63 times higher signal-to-noise ratio than the input noisy images, equivalent to the stacking of at least three input images, which means a significant reduction in the telescope time needed for future astronomical imaging campaigns.

  • Název v anglickém jazyce

    Learning to denoise astronomical images with U-nets

  • Popis výsledku anglicky

    Y Astronomical images are essential for exploring and understanding the Universe. Optical telescopes capable of deep observations, such as the Hubble Space Telescope (HST), are heavily oversubscribed in the Astronomical Community. Images also often contain additive noise, which makes denoising a mandatory step in post-processing the data before further data analysis. In order to maximize the efficiency and information gain in the post-processing of astronomical imaging, we turn to machine learning. We propose ASTRO U-NET, a convolutional neural network for image denoising and enhancement. For a proof-of-concept, we use HST images from Wide Field Camera 3 instrument UV/visible channel with F555W and F606W filters. Our network is able to produce images with noise characteristics as if they are obtained with twice the exposure time, and with minimum bias or information loss. From these images, we are able to recover 95.9 per cent of stars with an average flux error of 2.26 per cent. Furthermore, the images have, on average, 1.63 times higher signal-to-noise ratio than the input noisy images, equivalent to the stacking of at least three input images, which means a significant reduction in the telescope time needed for future astronomical imaging campaigns.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10308 - Astronomy (including astrophysics,space science)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Monthly Notices of the Royal Astronomical Society

  • ISSN

    0035-8711

  • e-ISSN

    1365-2966

  • Svazek periodika

    503

  • Číslo periodika v rámci svazku

    3

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    12

  • Strana od-do

    3204-3215

  • Kód UT WoS článku

    000649000600006

  • EID výsledku v databázi Scopus

    2-s2.0-85110340238