Generative Adversarial Neural Networks for the generation of High Resolution Galaxy Images

Abstract

Las imágenes de alta resolución de galaxias cercanas son difíciles de obtener ya que su gran tamaño angular requiere varias observaciones o telescopios de alta demanda. En este trabajo presentamos un nuevo método para generar imágenes de galaxias en formato FITS, utilizando una arquitectura basada en estilos para redes generativas adversarias (StyleGAN) con la técnica de fine-tuning con imagenes en formato JPG y FITS, utilizando galaxias simuladas del proyecto Illustris y galaxias reales del Sloan Digital Sky Survey (SDSS). Este enfoque permite un mayor control sobre las muestras generadas, y es capaz de modificar las galaxias utilizando diferentes estilos. Probamos utilizando fine-tuning en datos JPG para obtener imágenes que se asemejan a los datos de entrenamiento, luego entrenamiento de la red con imágenes FITS. Utilizamos la métrica Fréchet Inception Distance (FID) para la evaluación, donde cuan mas bajo es el valor, mejor. Obtuvimos muestras generadas con un valor FID de 148.5, un valor alto en comparación con el alcanzado en el paper original de la StyleGAN debido a la borrosidad y ruido presente en las imágenes. Sin embargo, las muestras se asemejan tanto a las propiedades morfológicas como físicas de los datos reales.

High-resolution images of nearby galaxies are difficult to obtain since the number of close (low redshift) observations is limited and galaxies with large angular size require several observations or high-demand telescopes. We present a new method to generate synthetic galaxy images in FITS format, utilizing a Style-Based Generator Architecture for Generative Adversarial Networks (StyleGAN) with a fine-tuning technique with JPG and FITS format images, using simulated galaxies from the Illustris project and real galaxies from the Sloan Digital Sky Survey (SDSS). This approach allows more control over the generated samples, and it’s able to modify the galaxies using different styles. We test the fine-tuning approach on JPG data to obtain images that resemble the training data, then training of the network with FITS images. We utilized the Fréchet Inception Distance (FID) metric for evaluation, where the lower the score, the better. We obtained generated samples with an FID value of 148.5, a high value in comparison to the one reached on the original StyleGAN paper due to blurriness and noisy elements on the images. Nevertheless, the samples resemble both the morphological and physical properties of the real data.