CSST Strong Lensing Preparation: a Framework for Detecting Strong Lenses in the Multi-color Imaging Survey by the China Survey Space Telescope (CSST)

强引力透镜是研究暗物质和暗能量特性的有力工具。随着大规模天空勘测的出现，我们可以在前所未有的规模上发现强引力透镜系统，这需要高效的工具从数十亿个天文对象中提取它们。现有的主流透镜寻找工具基于机器学习算法，并应用于以切割中心星系为基础的图像。然而，根据CSST的光学勘测设计和策略，准备多波段的切割需要相当大的努力。为了克服这些挑战，我们开发了一个基于分层视觉Transformer和滑动窗口技术的框架，以在整个图像中搜索强引力透镜系统。此外，考虑到强引力透镜系统的多彩图像可以提供有关其物理特性的见解，我们的框架特别设计用于在任意通道数的图像中识别强引力透镜系统。根据基于名为CosmoDC2的半解析模型的CSST模拟数据进行评估，我们的框架分别实现了0.98和0.90的精确度和召回率。为了评估我们的方法在实际观测中的有效性，我们将其应用于DESI Legacy Imaging Surveys的图像子集和Euclid Early Release Observations的媒体图像。我们的方法发现了61个新的强引力透镜系统候选者。然而，我们还确定了主要来自模拟中简化的星系形态假设的误报。这凸显了我们方法的实际限制，同时突出了未来改进的潜在途径。

本论文旨在解决在大规模天文图像中高效地发现强引力透镜系统的问题，特别是针对多波段图像的挑战。

该论文提出了一种基于层次视觉Transformer和滑动窗口技术的框架，可以在整个图像中搜索强引力透镜系统。该框架还可以识别任意数量通道的图像中的强引力透镜系统。

使用CSST模拟数据和DESI Legacy成像调查的子集，以及欧几里得早期释放观测的媒体图像，作者测试了该框架的有效性。该框架在CSST模拟数据上的精度和召回率分别为0.98和0.90。作者还发现了61个新的强引力透镜系统候选者。然而，作者也发现了一些假阳性，这主要是由于模拟中简化的星系形态假设导致的。该工作强调了该方法的实际局限性，同时突出了未来改进的潜在途径。

在相关研究方面，近期的一些研究集中于利用机器学习算法来发现强引力透镜系统，例如Cut-and-Enhance（CAE）和Convolutional Neural Networks（CNNs）等。