Astro-SReC:用于超分辨率太阳观测无损压缩的注意力增强神经网络

《Expert Systems with Applications》:Astro-SReC: Attention-enhanced Neural Networks for Lossless Compression of Super-resolution Solar Observations

【字体: 大 中 小 】 时间:2026年04月25日 来源:Expert Systems with Applications 7.5

编辑推荐:

  现代观测仪器生成的超分辨率太阳数据需要专用压缩方法,本文提出Astro-SReC框架,通过双注意力机制捕捉多尺度特征,稀疏低秩分解分离背景与纹理,SUGAR激活保留梯度流,在1911×1911像素太阳图像上实现5.46%压缩率提升,比特率优于LC-FDNet 57.54%。框架在自然图像数据集上亦表现优异。

  
吴世超|刘英波|曾莉|马轩|杨磊
云南财经大学,中国云南省昆明市龙泉路237号,650221

摘要

现代观测仪器产生的超分辨率(SR)数据量巨大,需要专门的压缩解决方案,而不仅仅是通用的压缩方法。本文提出了Astro-SReC,这是一个专为太阳图像设计的无损压缩框架。它整合了高效的通道注意机制和洗牌注意机制来捕捉太阳图像的细粒度特征,使用替代梯度函数代替ReLU激活函数以保持网络的表达能力,并利用稀疏和低秩分解来建模冗余结构和复杂纹理。该架构实现了自适应压缩,在保留关键天文特征的同时最大化了冗余信息的减少。我们在分辨率为1911×1911像素的太阳观测数据集上评估了Astro-SReC,与基线SReC模型相比,它每子像素的比特数(bpsp)减少了5.46%,同时平均压缩时间仅为1.59秒。在深度压缩模型中,它相对于LC-FDNet也实现了57.54%的bpsp减少。该框架也适用于自然图像,在DIV2K和Flickr2K数据集上分别实现了1.21%和2.50%的性能提升。这些结果为现代太阳天文台日益增长的数据需求提供了一种新的天文数据压缩方法。

引言

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。
  • 4.
    全面的实验验证。
    我们建立了严格的评估协议,包括加密校验和、感知哈希和逐像素验证,以保证无损重建。在太阳观测数据集和自然图像基准测试上的实验表明,所提出的Astro-SReC框架实现了有效的压缩性能,并在各个领域具有统一的泛化能力。
  • 本文的其余部分组织如下。第2节回顾了现有的天文数据压缩方法,并指出了它们在超分辨率图像方面的局限性。第3节介绍了所提出的Astro-SReC框架,详细介绍了注意机制、稀疏+低秩分解和修改后的激活函数的集成。第4节描述了实验方法,并展示了在太阳和自然图像数据集上的性能提升。第5节分析了计算权衡,并讨论了对所提出框架的潜在扩展。第6节总结了研究结果,并概述了未来天文数据压缩研究的方向。

    部分摘录

    深度学习架构

    深度学习与无损压缩的整合通过连续的架构改进取得了进展。之前的研究(Ballé, Minnen, Singh et al., 2018)使用了端到端卷积神经网络(CNN)框架作为基础,这些框架将非线性变换与均匀量化相结合。这一范式转变使得学习到的压缩方法能够与传统编码器竞争。变分自编码器(VAEs)作为一个强大的框架出现(Townsend, Bird, Kunze et al.)

    无损压缩

    无损压缩要求从压缩表示中完美重建原始数据。对于图像 x,压缩过程通过可逆变换产生比特流 bx。根本挑战在于最小化预期的代码长度 L=Ex~P[|bx|],其中 P 表示自然图像的分布(Cao et al., 2020)。香农编码定理(Shannon, 1948)表明,最小可实现的代码长度受到熵的限制 HP=Ex~P[?log2P(x

    实验设置

    所有实验都在一台高性能计算系统上进行,该系统配备了256 GB的RAM、12 GB的NVIDIA Tesla P100 GPU和双Intel Xeon E5-2650 v4处理器,运行Ubuntu 20.04.6 LTS操作系统。实验中使用的超参数总结在表1中。

    数据集

    我们在天文和自然图像上评估了所提出的Astro-SReC框架,以展示其领域特定的性能和泛化能力。主要数据集包括来自

    讨论

    尽管这种压缩方法在当前的太阳图像上表现出有效的性能,但仍有一些技术挑战需要解决。一个主要限制是每个望远镜都需要大量的训练数据集。当新的观测仪器投入使用后,系统可能无法在获得足够的训练样本之前进行最佳压缩。鉴于新太阳望远镜的定期部署,这一限制带来了实际挑战,因为每个望远镜都有其独特的特点

    结论

    本研究提出了Astro-SReC,这是一个为太阳超分辨率望远镜图像开发的神经压缩框架。它结合了注意机制来识别显著特征,并使用分解技术来分离平滑的背景区域和详细结构,反映了太阳图像的固有特征,如逐渐的强度变化和细粒度的磁特征。实验进一步表明,该方法不仅适用于太阳图像,而且在其他领域也具有竞争力

    作者声明

    吴世超: 方法论、写作——原始草稿准备、写作——审阅与编辑。刘英波: 资金获取、监督、写作——审阅与编辑。曾莉: 验证、调查。马轩: 验证、调查。杨磊: 数据管理、调查。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号