近日，山东大学威海前沿交叉科学研究院科学智能团队在太阳磁图超分辨率重建领域取得重要进展。该研究提出了一种基于扩散模型的磁图超分辨率方法——Magnetogram Stable Super-resolution（MagSSR），可利用SDO卫星HMI载荷提供的全日面视线方向磁图，通过深度学习实现3.15倍超分辨率提升，达到Hinode卫星SOT载荷的高空间分辨率水平。该方法通过构建高精度配准的SOT-HMI磁图配对数据集、DreamBooth微调以及多项针对性架构改进，有效恢复了全日面磁图中的精细磁结构，同时保持了原有大尺度磁场分布的物理一致性。相关成果以“A Diffusion-based Deep Learning Approach for the Super-resolution of SDO/HMI Magnetograms Using Hinode/SOT Data”为题，发表于天体物理领域国际顶级期刊《The Astrophysical Journal》。山东大学博士研究生孙从众与硕士研究生王茹雪为共同第一作者，山东大学威海前沿交叉科学研究院牟超洲副研究员为通讯作者，南京大学黄正化教授与山东大学夏利东教授、刘健教授、王晓钢教授、Michel Blanc教授为主要合作作者。
太阳磁图是研究太阳活动物理机制的核心观测数据。SDO/HMI提供全日面视线方向磁图，空间分辨率为0.504″/pix，覆盖范围广但无法分辨精细磁结构；Hinode/SOT则提供高空间分辨率（0.16″/pix）的局域磁图，但视场有限。将两者优势结合——获得兼具高空间分辨率和大视场的磁图——对于理解太阳大气磁活动的物理过程具有重要意义。超分辨率重建是计算机视觉领域的关键图像处理技术，旨在从低分辨率图像中恢复高分辨率图像。然而，太阳磁图超分辨率重建面临一系列独特挑战：HMI与SOT由不同仪器获取，存在显著的风格差异，传统的超分方法（如双三次插值）难以准确重建高频磁结构，卷积神经网络方法则在保持精细磁特征方面仍有不足。
针对这一问题，研究团队开发了MagSSR模型。该模型以Stable Diffusion为基础架构，首先通过DreamBooth微调技术将预训练的扩散模型适配至太阳磁图领域，使模型获得生成太阳磁图的能力；随后在StableSR框架基础上引入多项针对性改进：移除可控特征包裹模块以避免HMI风格过度偏置导致磁结构模糊、固定提示词为“magnetogram”以注入领域先验知识、在损失函数中引入掩码项以抑制灰条区域对重建的干扰。
测试结果表明，MagSSR在RMSE（60.524）、PSNR（26.291）、SSIM（0.706）和PCC（0.939）等指标上均优于SRCNN和双三次插值方法；在太阳活动区物理参数方面，R_VALUE、MEANGBL和USFLUXL等SHARP参数均最接近SOT参考值；磁图残差图显示重建误差主要集中在100 G以内，方位角平均功率谱与SOT在宽泛空间频率范围内高度一致。
该成果为利用深度学习方法提升太阳磁图分辨率提供了新的技术方案，也为科学智能在天体物理数据处理中的应用展示了广阔前景。未来，团队将进一步提升模型的精度与泛化能力，拓展至矢量磁图的超分辨率重建，并探索将MagSSR应用于更广泛的太阳磁图数据处理场景。
原文链接：https://doi.org/10.3847/1538-4357/ae8262
