拡散確率的モデルを用いた星間スペクトルの強化：低SNR天文データのデノイジングに対する新しいアプローチ

要約 天文スペクトルは星の特性を導出するために重要ですが、低信号対雑音比（SNR）のスペクトルはしばしば重要な特徴を隠し、正確な分析を複雑にします。本研究では、低SNRスペクトルのデノイジングを目指す拡散確率的モデル（DDPM）に基づいた新しい深層学習アプローチであるspec-DDPMを紹介します。LAMOST DR10データセットを活用し、特定のU-Netアーキテクチャ（spec-Unet）を使用して、ノイズを反復的に予測・除去するspec-DDPMを開発しました。このモデルは28,500の低・高SNRスペクトルペアで訓練され、主成分分析（PCA）、ウェーブレット技術、修正DnCNNモデルなどの従来の方法と比較されました。spec-DDPMは、平均絶対誤差（MAE）の低減、構造類似性指数測定（SSIM-1D）の向上、スペクトル損失指標の改善を示し、重要なスペクトル特徴を効果的に保持し、連続体の歪みを修正しました。バリデーション実験は、誤差を減少させながら星のパラメータ推定を改善する能力をさらに確認しました。これらの結果は、スペクトルデータの質を向上させ、欠陥スペクトルの修復や大規模天文調査の精緻化に向けたspec-DDPMの可能性を強調しています。この研究は、天文データ処理における深層学習の変革的な役割を浮き彫りにしています。