Deep Learning Approaches for Blind Image Deconvolution, with application to astronomical images

Abstract

Blind image deconvolutie vereist het gelijktijdig schatten van twee onbekenden – het scherpe bronbeeld en de vervagingskern (PSF) – uit één vervaagde opname. Dit is een klassiek, maar ill-posed probleem: vele beeld–kern-paren kunnen dezelfde waarneming verklaren, en naïeve optimalisatie leidt vaak tot triviale oplossingen, zoals de delta-kernel. Deze masterproef onderzoekt twee diep-leerbenaderingen, specifiek voor astronomische beelden waarin de PSF zelden bekend is.

Eerst wordt SelfDeblur geanalyseerd, een zero-shot methode die een encoder-decoder “beeldgenerator” en een volledig verbonden “kernelgenerator” simultaan traint op de testafbeelding. Architecturale inductieve biases fungeren als ‘deep priors’ en een softmax-normalisatie dwingt fysische kernelbeperkingen af, wat collapse naar de delta-kernel tegengaat.

Daarnaast wordt een supervised CNN-pipeline ontwikkeld. Deze augmentatie-engine gebruikt hoge-res beelden, synthetiseert diverse analytische en empirische PSFs (Gaussian, Moffat, Airy, en reële telescoopkernels). Een lichte conv-attention encoder én een volledig verbonden regressor worden geëvalueerd onder variërende inductieve biases en een tweefasen verlies-schema (MSE-warm-up, gevolgd door SSIM-fijnslijping).