Алгоритм разделяет радиоизображения на точки, протяжённые и размытые компоненты

Современные радиотелескопы выдают такие большие карты неба, что вручную разбирать их уже почти бессмысленно: в одном кадре могут налезать друг на друга яркие точечные источники, вытянутые объекты и слабое размытое свечение на фоне. Авторы как раз и взялись за эту проблему — они построили автоматический метод, который не просто рисует картинку заново, а ещё и пытается понять, какие именно типы излучения в ней спрятаны.

Идея метода в том, чтобы совместить три вещи: байесовскую реконструкцию изображения, глубокое обучение и кластеризацию, то есть группировку похожих фрагментов. Проще говоря, алгоритм сначала восстанавливает радиоизображение, а потом отдельно ищет в нём разные «семейства» структур — точечные, протяжённые и диффузные, то есть размытые на большой площади. Это позволяет не смешивать всё в одну массу и получить более чистое разделение компонентов.

Проверяли подход сначала на синтетических данных, где заранее известно, что и где находится, а потом на реальном наблюдении MeerKAT в L-диапазоне для радиогалактики ESO 137-006 и её окрестностей. В обоих случаях метод довольно разумно распознал объекты, дал аккуратные реконструкции точечных и протяжённых источников и при этом посчитал неопределённости — то есть не только показал результат, но и оценил, насколько ему можно верить в каждой точке. Ещё один практический плюс в том, что из таких данных можно автоматически собирать каталоги с положением и яркостью источников вместе с ошибками.

Важно и то, что модель источников у них отделена от особенностей самого инструмента. Это значит, что подход не привязан только к MeerKAT и в принципе может пригодиться на других радиотелескопах и в других диапазонах, если там похожая мешанина из точечных, протяжённых и размытых структур.