Resumen: Las condiciones del sitio que hacen que los observatorios astronómicos en el espacio y en el suelo sean tan deseables, frío y oscuro, exigen una lejanía física que conduce a capacidades de transmisión de datos limitadas. Dichas limitaciones de transmisión cuestionan directamente la cantidad de datos adquiridos y en una era de costosos observatorios modernos, cualquier mejoras en la compresión de datos sin pérdidas tiene la escala potencial a miles de millones de dólares en ciencia adicional que se puede lograr en el mismo instrumento. Los métodos tradicionales sin pérdidas para comprimir datos astrofísicos se diseñan manualmente. La compresión de datos neuronales, por otro lado, tiene la promesa de algoritmos de compresión de aprendizaje de extremo a extremo de los datos y superan las técnicas clásicas al aprovechar las estructuras espaciales, temporales y de onda únicas de imágenes astronómicas. Este documento presenta Astrocompress: un desafío de compresión neuronal para los datos de astrofísica, con cuatro conjuntos de datos nuevos (y un conjunto de datos heredados) con datos de imágenes enteras sin firmar de 16 bits en varios modos: imágenes basadas en el espacio, basados en el espacio, múltiples de longitud de onda y series de tiempo. Proporcionamos código para acceder fácilmente a los datos y comparar siete métodos de compresión sin pérdidas (tres neurales y cuatro no neurales, incluidos todos los algoritmos prácticos de última generación). Nuestros resultados sobre la compresión sin pérdidas indican que las técnicas de compresión neuronal sin pérdidas pueden mejorar la recopilación de datos en los observatorios y proporcionar orientación sobre la adopción de la compresión neuronal en aplicaciones científicas. Aunque el alcance de este documento está restringido a la compresión sin pérdidas, también comentamos sobre la exploración potencial de los métodos de compresión con pérdida en futuros estudios.
Publicado Originalme en rss.arxiv.org El 10 de junio de 2025.
Ver Fuente Original
