The desire for wide-field of view, large fractional bandwidth, high sensitivity, high spectral and temporal resolution has driven radio interferometry to the point of big data revolution where the data is represented in at least three dimensions with an axis for spectral windows, baselines, sources, etc; where each axis has its own set of sub-dimensions. The cost associated with storing and handling these data is very large, and therefore several techniques to compress interferometric data and/or speed up processing have been investigated. Unfortunately, averaging-based methods for visibility data compression are detrimental to the data fidelity, since the point spread function (PSF) is position-dependent, i.e. distorted and attenuated as a function of distance from the phase centre. The position dependence of the PSF becomes more severe, requiring more PSF computations for wide-field imaging. Deconvolution algorithms must take the distortion into account in the major and minor cycles to properly subtract the PSF and recover the fidelity of the image. This approach is expensive in computation since at each deconvolution iteration a distorted PSF must be computed. We present two algorithms that approximate these position-dependent PSFs with fewer computations. The first algorithm approximates the position-dependent PSFs in the $uv$-plane and the second algorithm approximates the position-dependent PSFs in the image-plane. The proposed algorithms are validated using simulated data from the MeerKAT telescope.

中文翻译：

---

在无线电干涉宽场成像中近似位置相关点扩散函数响应的快速算法

对宽视场、大分数带宽、高灵敏度、高光谱和时间分辨率的渴望已将无线电干涉测量法推向大数据革命的角度，其中数据至少以三个维度表示，并以光谱窗口、基线为轴、来源等；其中每个轴都有自己的一组子维度。与存储和处理这些数据相关的成本非常大，因此已经研究了几种压缩干涉数据和/或加速处理的技术。不幸的是，用于可见性数据压缩的基于平均的方法不利于数据保真度，因为点扩展函数 (PSF) 是位置相关的，即作为距相位中心距离的函数而失真和衰减。PSF 的位置依赖性变得更加严重，需要更多的 PSF 计算来进行宽视场成像。去卷积算法必须考虑主循环和次循环中的失真，以正确减去 PSF 并恢复图像的保真度。这种方法的计算成本很高，因为在每次解卷积迭代中都必须计算失真的 PSF。我们提出了两种算法，以较少的计算来逼近这些与位置相关的 PSF。第一个算法在 $uv$ 平面中近似位置相关的 PSF，第二个算法在图像平面中近似位置相关的 PSF。所提出的算法使用来自 MeerKAT 望远镜的模拟数据进行了验证。去卷积算法必须考虑主循环和次循环中的失真，以正确减去 PSF 并恢复图像的保真度。这种方法的计算成本很高，因为在每次解卷积迭代中都必须计算失真的 PSF。我们提出了两种算法，以较少的计算来逼近这些与位置相关的 PSF。第一个算法在 $uv$ 平面中近似位置相关的 PSF，第二个算法在图像平面中近似位置相关的 PSF。所提出的算法使用来自 MeerKAT 望远镜的模拟数据进行了验证。去卷积算法必须考虑主循环和次循环中的失真，以正确减去 PSF 并恢复图像的保真度。这种方法的计算成本很高，因为在每次解卷积迭代中都必须计算失真的 PSF。我们提出了两种算法，以较少的计算来逼近这些与位置相关的 PSF。第一个算法在 $uv$ 平面中近似位置相关的 PSF，第二个算法在图像平面中近似位置相关的 PSF。所提出的算法使用来自 MeerKAT 望远镜的模拟数据进行了验证。我们提出了两种算法，以较少的计算来逼近这些与位置相关的 PSF。第一个算法在 $uv$ 平面中近似位置相关的 PSF，第二个算法在图像平面中近似位置相关的 PSF。所提出的算法使用来自 MeerKAT 望远镜的模拟数据进行了验证。我们提出了两种算法，以较少的计算来逼近这些与位置相关的 PSF。第一个算法在 $uv$ 平面中近似位置相关的 PSF，第二个算法在图像平面中近似位置相关的 PSF。所提出的算法使用来自 MeerKAT 望远镜的模拟数据进行了验证。