用太空望远镜数据和生成式 AI 增强数字巡天的成像能力

arXiv 发布论文，提出用生成式 AI 提升地面巡天的星系图像质量，使其接近太空望远镜细节。该方法利用星系形态特性，用太空图像训练模型，将弱信号转为清晰图像，并发布了源码、配对训练数据和包含 63,202 张增强图像的目录，及配套软件工具。

此前地面巡天与太空望远镜在吞吐量和图像质量上不可兼得。该研究首次将两者优势结合，使大规模地面数据获得接近太空级的细节，可能改变天文数据处理范式，降低对昂贵太空观测的依赖。

利用星系形状的自然规律，训练生成式 AI 模型学习太空图像与地面图像的映射关系，从而将地面观测中的弱信号重构为高保真细节，实现质量增强。

天文数据分析流程可引入该 AI 模型，提升地面巡天数据的科学价值；配套软件工具降低了使用门槛，团队可部署模型处理大量星系图像，减少对太空望远镜观测的依赖。

• 开发基于该模型的商业天文影像增强软件，面向科研机构或业余天文社群。
• 将模型集成到现有天文数据处理平台，作为增值功能提供增强图像目录。
• 提供模型培训和部署服务，帮助天文台优化历史巡天数据质量。

• 增强后图像的科学准确性如何验证？是否经过专家评估或下游任务测试？
• 模型对不同类型的星系（如低表面亮度、形状不规则）适用性如何？
• 模型在真实数据上的泛化能力如何，是否需要在不同巡天设备上重新训练？
• 数据处理成本和时间是否适合大规模应用？