基于得分的生成模型的现实主义星系图像模拟

我们证明，一类基于得分的生成模型——去噪扩散概率模型（Denoising Diffusion Probabilistic Model, DDPM），可用于生成能够模拟星系观测结果的逼真模拟图像。本方法在暗能量光谱巡天仪器（Dark Energy Spectroscopic Instrument, DESI）的grz波段星系图像上进行了测试，数据来源于河外巡天光度与旋转曲线观测样本（Photometry and Rotation curve OBservations from Extragalactic Surveys, PROBES）以及斯隆数字巡天（Sloan Digital Sky Survey, SDSS）中选取的星系样本。主观评估显示，生成的星系图像与真实数据集中的样本高度相似，具有极强的真实感。为定量衡量相似性，我们借鉴深度生成学习领域的评估方法，采用“Fréchet Inception距离”（Fréchet Inception Distance, FID）来检验生成图像在主观视觉与形态学特征上的相似程度。此外，我们提出了一种新的“合成星系距离”（Synthetic Galaxy Distance）度量方法，用于比较真实父数据集与合成子数据集在涌现物理属性（如总星等、颜色和半光半径）上的匹配程度。我们主张，相较于其他生成模型（如对抗生成网络，GANs），DDPM能够生成更为清晰、逼真的图像，尽管其推理过程计算成本较高。该方法可广泛用于生成大规模、针对特定成像巡天定制的合成观测数据。我们展示了DDPM的两项潜在应用：（1）对被遮挡数据（如卫星轨迹）进行高精度修复填充；（2）域迁移（domain transfer），即对新输入图像进行处理，使其在统计特性上模仿DDPM训练数据集的特征。作为域迁移的初步验证，我们以卡通图像为输入，成功“DESI化”其视觉风格，展示了该方法的可行性。最后，我们提出基于得分的生成方法在天文学领域具有广阔的应用前景，有望激发天文学界对该方向的进一步研究与探索。