太阳磁图超分辨率新突破：自适应分层集成学习实现跨仪器一致分析
Super-Resolution of Solar Magnetograms via Adaptive Stratified Ensemble Learning with Uncertainty Estimation
📖 AI 总结
该研究针对太阳光球磁图跨仪器一致性分析的需求，提出了一种从SOHO/MDI低分辨率到SDO/HMI高分辨率视向磁图的单图像超分辨率方法。作者采用经ESRGAN预训练权重初始化的改进RRDBNet架构，并通过逐图像诊断分析发现图像复杂度是重建误差的主导预测因素。基于这一发现，研究引入自适应分层专家集成（SSE）框架，由三个专家网络分别对应三个复杂度层级，采用加权随机采样策略训练，并在推理阶段通过基于图像统计的轻量级路由器将测试图像分配给合适的专家网络，同时提供不确定性估计。实验结果表明，该集成方法性能良好，优于相近的对比方法。该工作为异构空间仪器间磁图的统一分析与太阳磁场长期演化研究提供了可行途径。
🔑 关键词速览
| 磁图 | 太阳磁场强度的二维图像，通常通过塞曼效应测量。 |
| 超分辨率 | 从低分辨率图像重建高分辨率图像的技术。 |
| RRDBNet | 一种深度残差密集网络，常用于图像超分辨率任务。 |
| ESRGAN | 增强型超分辨率生成对抗网络，用于提升图像超分辨率质量。 |
| 自适应分层专家集成 | 一种根据图像复杂度分层训练多个专家网络，并动态选择专家进行预测的集成方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅