Publicación:
Towards spectral super-resolution in solar absorption lines from pseudomonochromatic images

Fecha
2024-06
Editor/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Educación a Distancia (UNED)
Proyectos de investigación
Unidades organizativas
Número de la revista
Resumen
En este proyecto de fin de grado (PFG), exploramos la viabilidad de aplicar t´ecnicas modernas de aprendizaje profundo para abordar el desafío de la superresolución espectral. Nos centramos en un conjunto de 21 imágenes de alta resolución que representan diferentes longitudes de onda en la línea de absorción de hierro neutro(Fe i λ6302) en 6302 ˚A de la fotosfera del Sol. Partiendo del estado del arte en técnicas de regresión de imágenes, tales como SINusoidal REpresentation Networks (SIREN) y Fourier Features, nuestro primer objetivo fue seleccionar la arquitectura que ofreciera la mejor aproximación de nuestras imágenes solares utilizando la métrica de la relación señal-ruido (PSNR). Tras lograr resultados comparables con estos estudios, dimos un paso adicional y extendimos la funcionalidad de la arquitectura al espacio completo de nuestro conjunto de datos incluyendo la longitud de onda para cada píxel de nuestras imágenes, es decir, I(x, y, λ). Esto nos permitió generar imágenes en longitudes de onda intermedias a las 21 originales usando un neural field. En este PFG no solo confirmamos la eficacia de las técnicas de aprendizaje profundo en la aproximación de imágenes pseudomonocromáticas de alta calidad, sino que también extendemos estos métodos al dominio de la superresolución espectral. Al hacerlo, contribuimos a futuras investigaciones que podrían mejorar la forma en que capturamos y procesamos datos espectrales para su uso en multitud de campos desde la astrofísica a la biomedicina.
In this Bachelor’s Degree Final Project (PFG), we explored the feasibility of applying modern deep learning techniques to address the challenge of spectral super-resolution. We focused on a set of 21 high-resolution images representing different wavelengths in the absorption line of neutral iron (Fe i λ6302) at 6302 ˚A of the Sun’s photosphere. Starting from the state-of-the-art in image regression techniques, such as SINusoidal REpresentation Networks (SIREN) and Fourier Features, our first objective was to select the architecture that offered the best approximation of our solar images using the signal-to-noise ratio (PSNR) metric. After achieving comparable results with these studies, we took an additional step and extended the functionality of the architecture to the complete space of our dataset including the wavelength for each pixel of our images, i.e., I(x, y, λ). This allowed us to generate images at intermediate wavelengths to the original 21 using a neural field. In this PFG, we not only confirmed the efficacy of deep learning techniques in the approximation of high-quality pseudomonochromatic images but also extended these methods to the domain of spectral super-resolution. By doing so, we contribute to future research that could improve the way we capture and process spectral data for use in a multitude of fields from astrophysics to biomedicine.
Descripción
Departamento de Astrofísica
Categorías UNESCO
Palabras clave
Física solar, procesamiento de imágenes, superresolución espectral, inteligencia artificial, visión artificial, aprendizaje profundo, redes neuronales, campos neurales, reconstrucción de imágenes, regresión de imágenes, redes implícitas sinusoidales (SIREN), características de Fourier, Solar physics, image processing, spectral super-resolution, artificial intelligence, computer vision, deep learning, neural networks, neural fields, image reconstruction, image regression, sinusoidal representation networks (SIREN), Fourier features
Citación
Nasser-Eddine López, Fernando Husseín (2024) Towards spectral super-resolution in solar absorption lines from pseudomonochromatic images. Trabajo Fin de Grado. Universidad de Educación a Distancia (UNED)
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Grupo de investigación
Grupo de innovación
Programa de doctorado
Cátedra
DOI