基于深度学习的扩散模型估算卡西尼-ISS图像背景强度

摘要

针对卡西尼成像科学子系统（ISS）观测土星环等复杂场景，传统多项式拟合与统计方法在非均匀背景下易产生偏差。研究者提出基于去噪扩散概率模型（DDPM）的深度学习框架，通过学习噪声模式并迭代重建背景，在ISS图像环缝区域的背景强度估计上相对多项式拟合最多提升62%；用于环缝中未分辨卫星的质心测定时，沿行方向与样本方向的位置精度分别提升约14%和15%。该框架无需手动调参，可推广至多种背景，有望用于天体测量、测光及源探测等任务。