中科院上海天文台用生成式AI（人工智能）把地面星系图预测为Euclid空间分辨率图像
中国科学院上海天文台团队提出基于生成式人工智能的跨望远镜图像预测方法，利用DESI（暗能量光谱仪巡天，Dark Energy Spectroscopic Instrument）地面巡天与Euclid空间望远镜的82830对真实配对星系图像训练薛定谔桥扩散模型，生成高分辨率预测图像数据集E-BGS。
独立测试显示预测图像在频域相关尺度和三项结构参数中位偏差上优于DESI r波段结果，但残差离散度未改善，小尺度特征无法保证与实测逐一匹配。 该成果为缓解地面观测分辨率不足提供了技术路径。
研究采用Euclid（欧洲空间局Euclid空间望远镜）首次快速数据发布（Q1）的VIS（可见光成像仪）图像，其覆盖天区远小于DESI亮星系巡天（BGS），多数BGS星系暂无公开的Euclid VIS图像。
团队采用图像到图像的薛定谔桥扩散模型，利用DESI与Euclid Q1重叠天区内的82830对真实配对图像进行训练与验证，以地面r波段图像为起点，结合z波段图像作为条件，逐步迭代生成结构比原始地面输入更精细的Euclid VIS波段预测图像。
团队利用独立测试集从频域、结构参数两个维度评估模型：在频域中，E-BGS预测与Euclid实测图像的相关尺度优于DESI地面观测； 在结构参数层面，E-BGS的Petrosian半径、Sérsic有效半径、Sérsic指数三项结构参数与Euclid VIS测量结果的中位偏差绝对值均小于DESI r波段结果，但残差的离散程度并未改善。
团队为Euclid DR1（第一批正式数据发布，Data Release 1）预计覆盖天区内的BGS目标生成预测图像，构建并公开E-BGS数据集，后续将利用Euclid DR1数据开展独立检验。 相关成果发表于《天体物理学杂志快报》（The Astrophysical Journal Letters）。
这项工作给出了生成式AI（人工智能）在观测数据受限场景下的一个可检验样本：其提升集中体现在群体统计量的中位偏差而非单目标精度，残差离散度未改善意味着不能把预测图像当作实测替代品。 对依赖成像数据做结构测量的天文流程而言，判断是否采用此类方法的关键指标是子群体条件偏差与独立数据集复现，而非图像观感。
跨望远镜配对训练的思路也可迁移到其他分辨率受限的观测场景，但前提是存在足够数量的真实配对样本。
后续观察信号
- Euclid DR1独立检验的具体评估指标与结论
- 预测图像在致密星系与矮星系等子群体中的偏差表现
- 该方法是否被用于其他望远镜组合或波段