编者按：
AI 正在重塑天文学的研究范式。面对这一趋势，国家天文科学数据中心主动布局天文数据×AI：让数据更好用、工具更智能、科研产出更高效。随着相关工作持续推进，更多成果即将陆续产出。为此，我们新增“NADC AI4S成果速递”专栏，及时分享新的成果。
近日，国家天文科学数据中心（NADC）研究团队完成的论文 Making Euclid VIS Imaging AI-Ready: A Scalable Pipeline for Morphology, Anomaly Detection, and Similarity Search 被《天体物理学杂志增刊》（The Astrophysical Journal Supplement Series，ApJS）接收。论文第一作者为中国科学院大学研究生谢锦晖，通讯作者为国家天文台许允飞副研究员和崔辰州研究员，合作者包括张震，陈朗等。研究围绕 Euclid 可见光图像的批量处理与复用需求，建立了连接切图、图像特征提取、形态分类、异常候选筛选与相似图像检索的统一流程。
研究背景与数据基础
研究使用 Euclid 首次快速数据发布（Q1）的可见光成像资料，整理了 365,513 幅以星系为中心的 VIS 切图及对应的 384 维特征。大样本分析通常需要反复进行目标定位、裁切、预处理和星表匹配，统一的处理规则可以减少不同任务间的重复准备。
图像准备与特征提取
Euclid 的可见光图像记录了星系的轮廓与亮度分布。用于机器学习前，巡天拼接图像需要按目标位置裁切并统一处理。研究团队依托国家天文科学数据中心开发了批量切图服务（https://nadc.china-vo.org/mwr/euclid-imagecutout/），读取目标列表后完成相应位置的图像裁切与输出。切图服务代码已公开，可供复查处理步骤和部署使用。
切图服务支持批量任务和独立请求的并行处理，并持久保存已生成的图像。再次请求相同目标与配置时，系统直接调用已有结果，减少重复的拼接图像提取工作。这里的可扩展性指处理本次发布规模的数据、组织批量任务，以及在重复访问时复用已生成的图像。
切图经预处理后转换为 224 × 224 的模型输入，由预训练的 DINOv2 ViT-S/14 提取特征。每幅图像对应一个 384 维向量，称为嵌入表示。向量保存模型提取的视觉特征，类别预测和星表量估计由后续的分类、回归模型完成。DINOv2 在特征提取阶段保持参数固定，各项分析共用这些向量。
本文用 AI-ready 描述已完成输入整理、元数据匹配和特征提取的数据状态。使用者可依据图像、星表与特征之间的对应关系，准备分类、回归等任务的输入。
图 1 Euclid VIS 数据处理与分析流程示意。切图经过预处理后，由冻结的 DINOv2 模型提取 384 维特征，供回归、形态分类、异常候选筛选和相似检索使用。图中的彩色特征分布为流程示意，低维投影用于可视化。图片来源：论文图 1。
UMAP 将高维特征投影到二维平面，四个面板分别按星表量着色（图 2），便于观察局部分布。图中的颜色梯度提供了描述性线索，回归实验进一步量化特征中可提取的星表信息。
图 2 DINOv2 特征的二维 UMAP 可视化。四个面板分别按椭率、Kron 孔径长半轴、峰值面亮度及其与总星等之差着色，显示样本为 12 万个对象。投影用于观察局部结构，高维空间的全局距离不能直接从图上读出。图片来源：论文图 2。
星系形态信息的定量验证
回归实验在独立保留的测试样本上评估了椭率、Kron 孔径长半轴、峰值面亮度及其与总星等之差等四项星表量的预测效果。四项任务的决定系数 R² 为 0.377 至 0.596，其中椭率的结果最高。结果说明，固定的图像特征中包含可由简单回归模型提取的星表信息，不同目标量的可恢复程度存在差别。
图 3 利用固定 DINOv2 特征预测四项星表量。横轴为星表中的测量值，纵轴为回归预测值，颜色表示测试样本密度，虚线为两者相等的位置。各项指标均在未参与训练的测试样本上计算。图片来源：论文图 3。
形态分类实验比较了线性分类器与浅层多层感知机（MLP）在不同标注预算下的表现。评估标签来自 Galaxy Zoo Euclid Q1 星表中经高置信度筛选的 Zoobot 预测，并遵循其形态问题树的适用条件。实验衡量的是模型与这些预测标签的一致程度，未使用另行建立的独立人工标注测试集。每项任务的测试对象固定，训练与模型选择所用的验证标签均计入总标注预算。
以各任务开发集的 1% 作为训练与验证的总标注预算时，固定特征配合 MLP 在光滑与有结构、侧向与非侧向、圆形与雪茄形三项二分类任务中的宏平均 F1 分别为 0.831、0.802 和 0.861。这些数值为三次不同随机种子实验的平均结果。宏平均 F1 对各类别的 F1 等权平均，综合反映精确率与召回率。
旋臂与非旋臂任务的类别分布高度不平衡。在同一设置下，宏平均 F1 为 0.484，接近简单基线，显示出当前特征在这一样本条件下的局限。各项形态任务仍需依据各自的样本与标签定义评估。
图 4 四项形态分类任务在不同标注预算下的测试结果。曲线比较固定 DINOv2 特征上的线性分类器与 MLP，误差棒为三次随机种子实验的标准差，横向虚线为简单分类基线。光滑、侧向和圆度任务与高度不平衡的旋臂任务呈现不同表现。图片来源：论文图 4。
异常候选筛选与相似图像检索
研究用局部离群因子（LOF）评估图像在高维特征空间中的局部稀疏程度，再结合前述 UMAP 二维投影中的位置条件筛选，得到 1,681 个待检查候选。这一排序用于安排大样本图像的人工复核顺序。
论文展示的候选包括空白或截断切图、亮星衍射影响、混叠和低信噪比图像。候选名单及其数量依赖算法参数和筛选条件，主要用于图像质量检查与人工复核。认定特殊天体仍需要结合原始观测和其他证据。
图 5 高排序异常候选的代表性图像。示例展示空白或截断切图、饱和与衍射结构、混叠及低信噪比图像，说明该流程在数据质量检查中的用途。候选的身份和成因仍需结合观测信息核验。图片来源：论文图 7。
相似图像检索从一幅查询图像出发，先在特征空间中寻找邻近对象，再结合形态、星表量和图像质量信息进行重排。论文给出了圆形、细长和具有明显结构等目标的检索结果，供样本浏览和对照检查。示例中的组合权重由人工指定，分数用于检索排序，未作概率校准。
图 6 不同形态查询目标的相似图像检索示例。每行最左侧为查询图像，右侧为排序后的四个邻近对象。图中组合分数用于检索排序，未作概率校准。图片来源：论文图 9。
数据共享与流程复用
公开流程保留了图像与星表的对应关系、样本划分和评估记录。研究者可复用已有切图和特征，按自己的科学问题调整任务设置，并检查相应的处理步骤与结果。相关切图、形态星表和预计算特征已通过国家天文科学数据中心的数据页面（https://doi.org/10.12149/101833）提供。论文对应的分析软件v1.1.0已在 Zenodo（https://doi.org/10.5281/zenodo.21629100）归档。使用这些资源时，应分别遵循观测数据与软件的许可、访问和引用要求。
资源链接：