21 cm intensity mapping has emerged as a promising technique to map the large-scale structure of the Universe. However, the presence of foregrounds with amplitudes orders of magnitude larger than the cosmological signal constitutes a critical challenge. Here, we test the sparsity-based algorithm Generalised Morphological Component Analysis (GMCA) as a blind component separation technique for this class of experiments. We test the GMCA performance against realistic full-sky mock temperature maps that include, besides astrophysical foregrounds, also a fraction of the polarized part of the signal leaked into the unpolarized one, a very troublesome foreground to subtract, usually referred to as polarization leakage. To our knowledge, this is the first time the removal of such component is performed with no prior assumption. We assess the success of the cleaning by comparing the true and recovered power spectra, in the angular and radial directions. In the best scenario looked at, GMCA is able to recover the input angular (radial) power spectrum with an average bias of $\sim 5\%$ for $\ell>25$ ($20 - 30 \%$ for $k_{\parallel} \gtrsim 0.02 \,h^{-1}$Mpc), in the presence of polarization leakage. Our results are robust also when up to $40\%$ of channels are missing, mimicking a Radio Frequency Interference (RFI) flagging of the data. In perspective, we endorse the improvement on both cleaning methods and data simulations, the second being more and more realistic and challenging the first ones, to make 21 cm intensity mapping competitive.

中文翻译：

---

使用稀疏分量分离恢复 21 厘米强度图

21 厘米强度映射已成为绘制宇宙大尺度结构的一种很有前途的技术。然而，幅度比宇宙学信号大几个数量级的前景的存在构成了一个严峻的挑战。在这里，我们测试了基于稀疏性的算法广义形态成分分析 (GMCA) 作为此类实验的盲成分分离技术。我们根据真实的全天空模拟温度图测试 GMCA 性能，除了天体物理前景外，还包括一部分信号的极化部分泄漏到非极化部分，这是一个非常麻烦的前景，通常称为极化泄漏。据我们所知，这是第一次在没有事先假设的情况下移除此类组件。我们通过比较角度和径向的真实功率谱和恢复功率谱来评估清洁的成功。在观察的最佳场景中，GMCA 能够以 $\sim 5\%$ 的平均偏差恢复输入角（径向）功率谱，$\ell>25$（$20 - 30 \%$ for $k_{ \parallel} \gtrsim 0.02 \,h^{-1}$Mpc)，存在极化泄漏。当多达 40 美元的频道丢失时，我们的结果也很可靠，模拟数据的射频干扰 (RFI) 标记。从角度来看，我们赞同清洁方法和数据模拟的改进，第二个越来越现实并且对第一个具有挑战性，以使 21 厘米强度映射具有竞争力。GMCA 能够以 $\sim 5\%$ 的平均偏差恢复输入角（径向）功率谱，$\ell>25$（$20 - 30 \%$ for $k_{\parallel} \gtrsim 0.02 \ ,h^{-1}$Mpc)，存在极化泄漏。当多达 40 美元的频道丢失时，我们的结果也很可靠，模拟数据的射频干扰 (RFI) 标记。从角度来看，我们赞同清洁方法和数据模拟的改进，第二个越来越现实并且对第一个具有挑战性，以使 21 厘米强度映射具有竞争力。GMCA 能够以 $\sim 5\%$ 的平均偏差恢复输入角（径向）功率谱，$\ell>25$（$20 - 30 \%$ for $k_{\parallel} \gtrsim 0.02 \ ,h^{-1}$Mpc)，存在极化泄漏。当多达 40 美元的频道丢失时，我们的结果也很可靠，模拟数据的射频干扰 (RFI) 标记。从角度来看，我们赞同清洁方法和数据模拟的改进，第二个越来越现实并且对第一个具有挑战性，以使 21 厘米强度映射具有竞争力。模仿数据的射频干扰 (RFI) 标记。从角度来看，我们赞同清洁方法和数据模拟的改进，第二个越来越现实并且对第一个具有挑战性，以使 21 厘米强度映射具有竞争力。模仿数据的射频干扰 (RFI) 标记。从角度来看，我们赞同清洁方法和数据模拟的改进，第二个越来越现实并且对第一个具有挑战性，以使 21 厘米强度映射具有竞争力。