Image simulations are essential tools for preparing and validating the analysis of current and future wide-field optical surveys. However, the galaxy models used as the basis for these simulations are typically limited to simple parametric light profiles, or use a fairly limited amount of available space-based data. In this work, we propose a methodology based on deep generative models to create complex models of galaxy morphologies that may meet the image simulation needs of upcoming surveys. We address the technical challenges associated with learning this morphology model from noisy and point spread function (PSF)-convolved images by building a hybrid Deep Learning/physical Bayesian hierarchical model for observed images, explicitly accounting for the PSF and noise properties. The generative model is further made conditional on physical galaxy parameters, to allow for sampling new light profiles from specific galaxy populations. We demonstrate our ability to train and sample from such a model on galaxy postage stamps from the HST/ACS COSMOS survey, and validate the quality of the model using a range of second- and higher order morphology statistics. Using this set of statistics, we demonstrate significantly more realistic morphologies using these deep generative models compared to conventional parametric models. To help make these generative models practical tools for the community, we introduce galsim-hub, a community-driven repository of generative models, and a framework for incorporating generative models within the galsim image simulation software.

中文翻译：

---

星系图像模拟的深度生成模型

图像模拟是准备和验证当前​​和未来广域光学调查分析的重要工具。然而，用作这些模拟基础的星系模型通常仅限于简单的参数光剖面，或者使用数量相当有限的可用空间数据。在这项工作中，我们提出了一种基于深度生成模型的方法，以创建可以满足即将进行的调查的图像模拟需求的星系形态的复杂模型。我们通过为观察到的图像构建混合深度学习/物理贝叶斯层次模型，明确考虑 PSF 和噪声特性，解决了与从噪声和点扩散函数 (PSF) 卷积图像中学习此形态模型相关的技术挑战。生成模型进一步以物理星系参数为条件，以允许从特定星系群中采样新的光轮廓。我们展示了我们对来自 HST/ACS COSMOS 调查的星系邮票模型进行训练和采样的能力，并使用一系列二阶和更高阶形态统计数据验证模型的质量。使用这组统计数据，与传统的参数模型相比，我们使用这些深度生成模型展示了更真实的形态。为了帮助使这些生成模型成为社区的实用工具，我们引入了 galsim-hub，一个由社区驱动的生成模型存储库，以及一个用于将生成模型合并到 galsim 图像模拟软件中的框架。允许从特定星系群中采样新的光剖面。我们展示了我们对来自 HST/ACS COSMOS 调查的星系邮票模型进行训练和采样的能力，并使用一系列二阶和更高阶形态统计数据验证模型的质量。使用这组统计数据，与传统的参数模型相比，我们使用这些深度生成模型展示了更真实的形态。为了帮助使这些生成模型成为社区的实用工具，我们引入了 galsim-hub，一个社区驱动的生成模型存储库，以及一个用于将生成模型合并到 galsim 图像模拟软件中的框架。允许从特定星系群中采样新的光剖面。我们展示了我们对来自 HST/ACS COSMOS 调查的星系邮票模型进行训练和采样的能力，并使用一系列二阶和更高阶形态统计数据验证模型的质量。使用这组统计数据，与传统的参数模型相比，我们使用这些深度生成模型展示了更真实的形态。为了帮助使这些生成模型成为社区的实用工具，我们引入了 galsim-hub，一个社区驱动的生成模型存储库，以及一个用于将生成模型合并到 galsim 图像模拟软件中的框架。并使用一系列二阶和更高阶形态统计验证模型的质量。使用这组统计数据，与传统的参数模型相比，我们使用这些深度生成模型展示了更真实的形态。为了帮助使这些生成模型成为社区的实用工具，我们引入了 galsim-hub，一个社区驱动的生成模型存储库，以及一个用于将生成模型合并到 galsim 图像模拟软件中的框架。并使用一系列二阶和更高阶形态统计验证模型的质量。使用这组统计数据，与传统的参数模型相比，我们使用这些深度生成模型展示了更真实的形态。为了帮助使这些生成模型成为社区的实用工具，我们引入了 galsim-hub，一个社区驱动的生成模型存储库，以及一个用于将生成模型合并到 galsim 图像模拟软件中的框架。