AI系统可以自动生成逼真的人工星系图像

文章来源：ATYUN AI平台 

想象一下，在计算机无人监督的情况下创造星团，星云和其他星际现象。这可能听起来像是未来派全息成像的描述，但爱丁堡大学感知研究所和天文学研究所的研究人员在AI的帮助下设计了这样一个系统。

团队在发表的一篇论文“Forging new worlds: high-resolution synthetic galaxies with chained generative adversarial networks”中，该模型能够生成高分辨率的合成星系图像，这些图像与真实星系的分布密切相关。

他们表示，“21世纪的天文学发现自己拥有大量数据，其中大部分都是在捕获过程中过滤掉的，以节省存储空间。对于深度学习等现代技术而言，这种增长已经成熟。由于星系是这类应用的主要竞争者，我们探索利用AI来产生星系图像。”

团队机器学习架构的核心是生成对抗网络（GAN），由生成样本的生成器和试图区分生成的样本和现实样本的鉴别器组成的两部分神经网络。星系生成系统由两个五层GAN组成：Stage-I GAN和Stage-II GAN。第一个生成低分辨率图像（64 x 64像素），而第二个使用称为超分辨率的技术将它们转换为更高分辨率的图像（128 x 128像素）。在实践中，研究人员指出，Stage-II GAN缺失像素，瞄准现实主义而不是准确性。

为了使Stage-II GAN中的生成器输出类似于其放大的真实图像对应物的合成星系图像，该论文的作者引入了一种双目标函数，计算出分辨率增强之间的误差度量图像真正的星系。结果更多的生成样本保留了星系的稀有特征，例如旋臂。

研究人员在具有单个Nvidia GTX 1060 GPU的PC上训练AI系统，使用Galaxy Zoo 2数据集（一个众包天文项目）中提供的恒星和行星体的全彩色图像。他们在评估结果时考虑了四个属性：椭圆度，或偏离圆度的程度；水平方向的仰角；总通量；半长轴的尺寸测量（椭圆最长直径的一半）。

最终，该模型产生的星系图像与真实的非常相似。他们假设，他们的系统可以用于增强真实样本的数据库，实际上可以作为深度学习模型的数据源，比如那些设计用来对需要大量训练样本的星系图像进行分类和分割的模型。

团队表明：“能够创造逼真的星系图像的生成模型具有许多实际用途，我们的工作证明了GAN架构作为现代天文学工具的潜力。”

论文：arxiv.org/pdf/1811.03081.pdf

本文转自ATYUN人工智能媒体平台，原文链接：AI系统可以自动生成逼真的人工星系图像

更多推荐

深度学习的未来：神经网络架构搜索(NAS)

数据科学特征选择方法入门

“机器人血液”为执行长时间任务的机器提供动力。

研究人员开发拖放数据分析工具：北极星

欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com