Event-horizon-scale Imaging of M87* under Different Assumptions via Deep Generative Image Priors

这篇文章讨论了从事件视界望远镜（EHT）对M87*的观测中重建图像的问题。M87*是M87星系中心的超大质量黑洞。然而，由于无法直接观测黑洞，因此没有清晰的先验选择。作者提出了一个框架，可以灵活地设计一系列先验，每个先验都会对图像重建带来不同的偏见。这些先验可以是弱的（例如，仅强加基本的自然图像统计）或强的（例如，强加黑洞结构的假设）。作者的框架使用基于得分的先验的贝叶斯推断，这些先验是来自可以学习复杂图像分布的深度生成模型的数据驱动先验。使用作者的贝叶斯成像方法和复杂的数据驱动先验，可以评估重建图像的视觉特征和不确定性如何随先验的选择而变化。除了模拟数据，作者还对真实的EHT M87*数据进行了成像，并讨论了重建特征如何受先验选择的影响。

如何在无法直接观测黑洞的情况下，使用先验信息重建M87*超大质量黑洞的图像？

使用基于深度生成模型的数据驱动先验，通过贝叶斯推断灵活地设计多种偏好，从而重建M87*超大质量黑洞的图像。

使用基于深度生成模型的数据驱动先验，可以灵活地设计多种偏好，从而重建M87*超大质量黑洞的图像。论文在模拟数据和真实数据上进行了实验，并讨论了不同先验对重建图像的影响。值得进一步研究。

相关论文：1. Deep Image Prior; 2. Bayesian Deep Learning; 3. Generative Adversarial Networks.