XAMI -- A Benchmark Dataset for Artefact Detection in XMM-Newton Optical Images

反射或散射的光会在天文观测中产生伪影，对科学研究产生负面影响。因此，自动检测这些伪影对于处理越来越多的数据非常有益。机器学习方法非常适合解决这个问题，但目前缺乏注释数据来训练这样的方法以便检测天文观测中的伪影。在这项工作中，我们提供了来自XMM-Newton空间望远镜光学监测相机的图像数据集，显示不同类型的伪影。我们手动注释了1000张带有伪影的图像样本，用于训练自动化机器学习方法。我们进一步演示了专门用于准确检测和遮盖伪影的技术，采用实例分割。我们采用混合方法，结合卷积神经网络（CNN）和基于transformer的模型的知识，并利用它们在分割方面的优势。所提出的方法和数据集将通过提供可重复的基线来推进天文观测中的伪影检测。所有代码和数据都可以获得（https://github.com/ESA-Datalabs/XAMI-model和https://github.com/ESA-Datalabs/XAMI-dataset）。

本论文旨在解决天文观测中反射或散射光产生的伪迹问题，提出了一种基于机器学习的自动检测方法，并提供了一个手动注释的数据集。

本论文采用了基于卷积神经网络和基于transformer的模型相结合的方法，实现了精确的伪迹检测和遮盖。

本论文提供了一个包含1000张手动注释图像的数据集，用于训练自动化机器学习方法进行伪迹检测。实验结果表明，采用卷积神经网络和transformer-based模型相结合的方法，可以有效地检测和遮盖伪迹。所有的代码和数据都已经开源。

在相关研究方面，最近的研究主要集中在基于机器学习的天文图像处理方面，如基于深度学习的星系分类和天体物体检测。