スコアベース生成モデルを用いた現実的な銀河画像シミュレーション

本研究では、ノイズ除去拡散確率モデル（Denoising Diffusion Probabilistic Model, DDPM）——スコアベース生成モデルの一類型——を用いて、銀河の観測データを模倣する現実的な合成画像を生成可能であることを示す。本手法は、Photometry and Rotation curve OBservations from Extragalactic Surveys（PROBES）サンプルおよびスローンデジタルスカイサーベイ（Sloan Digital Sky Survey, SDSS）から選定された銀河のダークエネルギー分光計器（Dark Energy Spectroscopic Instrument, DESI）によるgrzバンド画像データを用いて検証された。主観的な評価では、生成された銀河画像は実データサンプルと比較して極めて現実的であることが確認された。その類似性を定量的に評価するため、深層生成学習の文脈から「Fréchet Inception Distance（FID）」を採用し、主観的および形態的類似性の評価を実施した。さらに、真の親データセットと合成された子データセットの間で出現する物理的性質（全絶対等級、色、半光量半径など）の類似性を比較するため、「合成銀河距離（Synthetic Galaxy Distance）」という新たな指標を提案した。本研究では、DDPMアプローチが敵対的生成ネットワーク（Adversarial Networks）など他の生成手法と比較して、より鮮明で現実性の高い画像を生成できることを示し、推論コストがやや高くなるという欠点はあるものの、特定の画像観測調査に特化した大規模な合成観測データセットの生成に有効であると主張する。DDPMの潜在的な応用として、（1）衛星軌跡などによる遮蔽領域の高精度な補間（in-painting）、および（2）ドメイン変換（domain transfer）——新しい入力画像をDDPMの学習データセットの特性に合わせて変換する手法——の二つの事例を示した。ドメイン変換の概念実証として、カートゥーン画像を「DESI風」に変換する実験を行った。最後に、スコアベースアプローチのさらなる応用可能性を提示し、天文学界における本分野に関する今後の研究を促進する契機となることを提案する。