Galaxy spectroscopy without spectra: Galaxy properties from photometric images with conditional diffusion models

现代光谱勘测只能针对广域勘测中少量的光度目录源。本文报告了一种生成式人工智能方法的开发，能够仅通过光度宽带图像预测光学星系光谱。该方法结合了扩散模型和对比网络的最新进展。我们将多波段星系图像输入到该架构中，以获得光学光谱。从中，可以使用光谱工具箱中的任何方法（例如标准种群综合技术和Lick指数）推导出星系属性的稳健值。当在Sloan Digital Sky Survey的64x64像素图像上进行训练和测试时，可以恢复光度空间中的恒星形成和静止星系的全局双峰性，以及星系质量-金属丰度关系的恒星形成星系。观测和人工创建的光谱之间的比较显示出整体金属丰度、年龄、Dn4000、恒星速度分散和E（B-V）值的良好一致性。我们的生成式算法的光度红移估计可以与其他目前的专业深度学习技术竞争。此外，这项工作是文献中第一次尝试从光度图像中推断速度分散。此外，我们可以预测活动星系核的存在，准确率高达82％。通过我们的方法，未来的大规模光度勘测数据集中可以仅使用光度输入获得科学上有趣的星系属性。通过AI预测光谱还可以帮助创建逼真的模拟目录。

利用生成式人工智能方法从光度图像预测光谱，以获取星系的性质，解决了光谱调查仅能针对少量星系的问题。

使用扩散模型和对比网络相结合的方法，将多波段星系图像输入到架构中，从而获得光学光谱。通过这些光谱，可以得出任何光谱工具箱中的星系属性的鲁棒值。

该方法可以预测出活动星系核的存在，精度高达82%。此外，该方法还可以预测光度红移，并首次尝试从光度图像中推断速度色散。在Sloan Digital Sky Survey的64x64像素图像上进行训练和测试，成功恢复了光度空间中的全局双峰星形和静止星系，并显示了星形星系的质量-金属丰度关系。

最近的相关研究包括：1.使用卷积神经网络预测星系属性；2.使用生成式对抗网络预测星系光谱；3.使用深度学习方法进行星系分类。