RAA 2025年第10期 | AI 专刊

本文针对射电天文成像中的关键挑战——退卷积算法在下一代望远镜海量数据处理中的性能瓶颈，提出了一种基于U-Net的深度学习方法。研究背景是传统CLEAN算法在处理平方公里阵列（SKA）望远镜将产生的每秒数TB数据时，面临收敛慢、计算成本高、对复杂延展源重建效果差等问题。研究目的是通过构建端到端的神经网络模型，直接从脏图像中学习到高保真天空图像的映射，以提升计算效率和重建质量。实验采用Galaxy10 DECals模拟数据，在无噪声和不同噪声水平下与CLEAN、VIC-DDPM方法对比，结果表明该方法在结构相似性指数（SSIM=0.87）和峰值信噪比（PSNR=32.71）上显著优于对比方法，且具有更低的显存占用和更快的计算时间，为大型射电阵列成像提供了新思路。