雷锋网按：本文由图普科技工程师翻译自《Neural networks promise sharpest ever images》，雷锋网(公众号：雷锋网)独家首发文章。
上图向我们分别展示了一个原始星系的图像（左边第一张），经过退化处理了的星系图像（左起第二张），经GAN修复的星系图像（左起第三张），以及之前的最先进的技术——“反卷积”技术加工完成的星系图像（右边第一张）。
天文望远镜是天文学使用的主要仪器，通常情况下会受到其自身镜片或镜头大小的限制。望远镜在很大程度上会受到其镜头或镜片的直径，也就是所谓的“光圈”，的限制。简单来说，镜头直径越大，望远镜能集中的光就越多，天文学家对微小物体的侦探和观察就越清楚。那奎斯特抽样定理（又称采样定理）对分辨率的限制问题进行了阐述，该定理说明采样频率与信号频谱之间的关系。
Kevin Schawinski，苏黎世联邦理工学院的教授，带领着他的瑞士研究团队，使用当前最新的机器学习技术去挑战望远镜的“光圈限制”。他们向神经网络输入能模仿大脑神经元的计算方法，以及星系的具体形象，然后让神经网络自动恢复一张模糊的图像，把它变成一张清晰的图像。跟人类一样，神经网络也是需要通过一些例子（在这里的例子指的就是同一星系的模糊图像和清晰图像）来学习和掌握这个技术的。
他们在自己的系统中使用了两个相互竞争的神经网络，一个正流行于机器学习研究领域的新兴方法——GAN（Generative Adversarial Network，生成对抗网络）。值得一提的是，对这个神经网络的训练在一台高性能电脑上只需要几个小时就能完成。
经过训练的神经网络能够识别和重构那些望远镜无法解决的特征，比如恒星形成区域、星系中的尘埃带等等。科学家们通过与原始高分辨率的图像的对比检查来测试其性能，发现神经网络是到现在为止科学家们所使用过的、最好的恢复图像特征的方法，它比前几年用于提高哈勃太空望远镜图像分辨率的“反卷积”技术还要完备。《皇家天文协会月刊》记录了这一全新的研究工作。
Schawinski认为神经网络的使用是一个巨大的进步，他说道：
我们可以重温那些仅凭长年望远镜观察来展开的天文调查，观察其更多的细节，然后获得更多关于星系结构的新发现。我们完全有可能将这一技术应用到来自哈勃太空望远镜，或是来自即将问世的“James Webb太空望远镜”的那些深度图像，进而更多地了解最早期的宇宙架构。
张策教授，专攻计算机科学领域的项目合作者同样看到了神经网络的巨大潜力，他表示：
大量的天文学数据对计算机专家来说一直都具有强大的吸引力。然而，当一个全新的技术产生时，比如说机器学习，天体物理学确实可以为之提供一个庞大的测试床用于应对最基本的计算问题，但在研究工作中，我们应该如何用机器学习系统来整合并且利用那些人类上千年来积累的研究成果呢？我们希望可以通过与Kevin的合作，很好地解决这个问题。
这一项目的成功，预示着天体物理学领域的未来发展方向——数据驱动。这就意味着在天体物理学中，各类知识和信息将能够自动从数据中，而不是从人工制造的物理模型中整合出来。
现在，苏黎世联邦理工学院正在space.ml上着手准备一个开源项目，与全球研究者合作开展这一项跨学科（天体物理学和计算机科学）的开创性工作。
本文作者：图普科技
本文转自雷锋网禁止二次转载，原文链接
