高分辨率的太阳观测为了解恒星过程和空间天气现象提供了前所未有的洞察。现代太阳望远镜生成的超分辨率数据集能够捕捉到极端的时空尺度上的磁场结构和等离子体动态,从根本上改变了太阳物理学的研究(Chen & Zhao, 2023)。然而,这些超分辨率能力带来了显著的存储和传输成本。例如,太阳动力学天文台每天产生大约2 TB的数据,需要专门的地面站和连续的存档基础设施(SDO, 2025)。基于地面的设施产生的数据量更大,Good太阳望远镜在高频率观测时每小时可输出10 TB的数据,超出了现有的网络带宽(Doerr, 2023)。预计未来的仪器将大幅增加这些成本,因为欧洲太阳望远镜在全运行状态下每天将产生30 PB的数据(EST, 2025)。这些呈指数级增长的数据量给经济资源和技术能力带来了压力,因此需要专门为太阳超分辨率数据设计的高效压缩方法(Poudel, Sarode, Watanobe et al., 2022)。
为了解决这些日益严重的存储和传输挑战,高效压缩对于管理太阳数据工作流程至关重要。无损压缩对于保持观测数据的科学完整性至关重要(Maireles-González, Bartrina-Rapesta, Hernández-Cabronero et al., 2022)。太阳时间序列观测需要完美的重建,以便准确跟踪变化的磁场结构和检测微妙的大气变化,然而现有的为自然图像开发的压缩框架在应用于天文数据时效果有限,因为天文数据具有独特的统计特性,包括高动态范围、复杂的噪声特性和多尺度结构。最近在神经压缩方面的进展为天文应用带来了希望,例如AstroCompress框架(Truong, Sudharsan, Yang et al., 2025)就展示了这一点,该框架采用了概率模型,如L3C(Mentzer, Agustsson, Tschannen et al., 2019)、整数离散流(IDF)(Hoogeboom, Peters, van den Berg et al., 2019)和PixelCNN++(Salimans, Karpathy, Chen et al., 2017)。尽管如此,这些方法主要在中等分辨率的数据集上进行了验证,在应用于大规模太阳观测时存在计算扩展限制。SReC框架(Cao, Wu, & Kr?henbühl, 2020)专门针对超分辨率图像,但其架构选择限制了其建模太阳大气数据中复杂空间相关性的能力。因此,需要专门针对太阳超分辨率观测的压缩技术来实现可持续的数据管理(Poudel, Sarode, Watanobe et al., 2022)。
本文提出了Astro-SReC,这是一个专为太阳超分辨率观测设计的神经压缩框架。它结合了三个关键组件来克服现有方法的局限性。前两个是高效的通道注意(ECA)和洗牌注意(SA)机制,它们能够捕捉太阳图像中的多尺度结构、跨波长耦合和物理依赖性,从而实现与太阳层次结构和带间参数关系一致的自适应特征加权。第三个是ReLU激活函数的替代梯度(SUGAR),它保持了深度架构中的梯度流动,这对于建模太阳观测数据中的高动态范围和急剧的强度变化尤为重要,例如在平静的太阳背景下的耀斑带。此外,还利用稀疏和低秩分解来分别建模平滑的大尺度背景结构和细粒度的稀疏纹理特征。这种分解自然地在低秩分量中捕捉到扩散的日冕辐射,同时在稀疏分量中保留了颗粒结构、纤维结构和磁亮点,与太阳大气的固有多尺度物理结构相一致。这些架构元素针对太阳图像中存在的多个空间尺度,同时保留了科学分析所需的关键特征。本研究的主要贡献如下:
1.多尺度特征保留的双重注意机制。 Astro-SReC框架整合了ECA和SA机制,以捕捉太阳图像中的复杂多尺度结构。ECA模块自适应地加权通道特征,SA机制共同建模空间和通道依赖性,从而有效编码精细的磁场结构和大规模太阳现象。
2.基于分解的特征建模。
采用低秩和稀疏分解来分离编码器特征中的平滑背景区域和详细纹理结构。这种分离使得压缩策略有所不同,即对冗余的低秩组件进行激进压缩,同时对稀疏的、科学上关键的特征进行仔细保留。 3.通过SUGAR激活增强梯度流动。
为了确保深度网络中的稳定训练并保持足够的计算效率,我们用SUGAR激活函数替换了标准的ReLU函数,该函数在前向传播期间使用ReLU,在反向传播期间使用连续的替代梯度。