来源：期刊VIP网 时间：
作者：曲伯桓;杨贺珺;何宇轩;郭远昊;刘宇;曹子皇;齐朝祥;于涌;王培培;赵永恒;张勇;王淑青;栗剑;吕冠儒;曹兴华;向铭;邱虹云;
单位：大连理工大学国际信息与软件学院;北京工业大学;中国科学院国家天文台;中国科学院大学;中国科学院上海天文台;光速视觉(北京)科技有限公司;
摘要：暗流会影响图像质量、降低星像的信噪比，进而影响星像位置和流量测量的精度，因此需要在天文数据处理中准确估计并去除暗流。LAMOST导星图像处理的需求为：在无暗场图像情况下高精度处理历史导星图像数据，简化导星相机暗场图像拍摄的步骤，可以利用导星图像的特性反演和生成高精度可靠的暗场图像。利用LAMOST导星原始数据的特性，提出一种基于生成对抗网络模型来精确估计暗流的新方法——Deep-Dark-Net。该方法利用条件生成对抗网络，构建导星图像Overscan区域、Optical Black区域与对应的有效成像区域噪声之间的关联模型，从而通过这些区域反演和重构高精度暗场图像。实验表明：Deep-Dark-Net预测的暗流与真实暗流的符合度高于传统方法，满足了LAMOST望远镜导星图像处理对暗场图像的需求。该工作不仅为天文图像暗流的处理提供了一种新思路、新方法，也为深度学习技术在天文图像处理中的潜在价值和应用方向提供了重要的视角和示例。
关键词：暗流;;深度学习;;条件生成对抗网络;;Deep-Dark-Net;;LAMOST
基金资助：国家自然科学基金(12073047)
