AI 算法可消除大气畸变，地面望远镜图像清晰度堪比太空拍摄

IT之家 4 月 28 日消息，人工智能图像处理技术，已将美国国家航空航天局（NASA）詹姆斯・韦布空间望远镜的数据分析耗时从数年缩短至短短数日甚至更短时间，催生了大量突破性发现，倘若没有这项技术，这些发现或许永远无法实现。如今，这项技术将用于提升坐落于智利的薇拉・C・鲁宾天文台所拍摄图像的画质。作为新晋天文观测重镇，优化后的图像清晰度将堪比从太空拍摄的水准。薇拉・C・鲁宾天文台以美国天文学家薇拉・C・鲁宾命名，她为暗物质的存在找到了关键证据之一。该天文台坐落于智利安第斯山脉海拔 8770 英尺（2673 米）的帕琼山之巅，望远镜已于去年正式投入运行。它每三晚扫描整片天空，计划用十年时间延时记录天体的运行轨迹。天文台地处地球上最干旱的智利阿塔卡马沙漠，干燥的大气和终年晴朗的天空为天文观测提供了绝佳条件。尽管如此，遥远天体发出的光线在抵达望远镜探测器前，必须穿过地球大气层，导致鲁宾天文台的观测图像仍存在严重畸变。加州大学圣克鲁兹分校的研究团队研发了一款全新人工智能算法，旨在消除这类大气畸变、提升图像分辨率，让地面拍摄的画面达到太空望远镜的成像效果。加州大学圣克鲁兹分校天文与天体物理学教授布兰特・罗伯逊是这款新型人工智能模型的研发负责人，他向太空网表示：“地面望远镜拍摄的光线穿过大气层时，会因大气湍流造成画面模糊。我们投入巨资研发高性能设备来校正大气畸变，而如今也可以通过训练人工智能机器学习模型，弱化这类模糊问题。”研究团队利用日本昴星望远镜的地面观测影像，以及哈勃空间望远镜拍摄的同一片空域图像，对名为 Neo 的生成式模型进行训练。该模型的核心任务是补全地面观测图像中缺失的细节，最终成果十分惊艳。研究团队在论文中指出，Neo 模型可将天体形态参数的测量准确度提升 2 至 10 倍。实际应用中，分辨率的大幅提升，能从原本模糊斑驳的画面中，分辨出海量独立恒星，以及星系精准的轮廓形态。罗伯逊表示：“该模型优化了观测数据的空间成像质量，从统计学层面还原出太空望远镜视角下的星系特征。”他补充道，这项技术极大加速了天文发现进程，也能让科研界对尖端天文望远镜的投入实现科研价值最大化。智利薇拉・C・鲁宾天文台配备 8.4 米口径反射镜，建造成本达 8 亿美元（IT之家注：现汇率约合 54.68 亿元人民币）。即便如此，其造价仍远低于哈勃、韦布等太空望远镜，后两者的建造与运维成本均高达数十亿美元。“我们为天文天文台投入了巨额资金与海量资源，希望依托公众和业界的投入，从观测数据中挖掘出全部科研价值。”罗伯逊说道。Neo 模型属于条件生成对抗网络，由两组神经网络协同工作，也是人工智能图像生成领域的常用架构。其中一组神经网络负责从原始观测影像中生成优化后的高清图像，另一组则对图像画质进行评估校验。（从左到右）地面地球望远镜、哈勃太空望远镜以及经 Neo AI 网络优化后的图像对比该模型脱胎于罗伯逊团队此前为加速韦布望远镜图像处理而开发的技术。造价高达 100 亿美元（现汇率约合 683.47 亿元人民币）的韦布望远镜会产生海量观测数据，仅依靠天文学家人工目视分析根本无法及时处理。而罗伯逊团队研发的这类人工智能算法，仅需数日就能完成人工耗时数年的分析工作。罗伯逊坦言：“海量观测数据蜂拥而至，人工分析根本跟不上节奏，传统的图像分析方法早已力不从心。”这套算法依托英伟达 GPU 超级计算机运行，已助力韦布望远镜时代取得多项震撼天文界的重大发现，包括探测到早期宇宙中本不在天文学家预期内的复杂星系。“该模型会解析图像的每一个像素，判别其属于宇宙空域还是天体实体；若判定为天体，还能进一步区分是盘状星系、椭球状星系还是恒星的组成部分。”罗伯逊解释道。他同时强调，人工智能算法并不会取代天文学家，而是帮助科研人员更快取得天文发现，同时捕捉到人类容易忽略的天体规律与特征。“人工智能并非完美无缺，但人类自身和传统研究方法同样存在局限。三者各有优势、互为补充。”研究团队已将经算法处理后的天文图像开放给其他科研团队及公众探索研究。