Kurzfassung
Radiowissenschaftliche Himmelsdurchmusterungen (Surveys) haben einen Reifegrad erreicht, in dem das Volumen, die Komplexität und der wissenschaftliche Mehrwert der Daten zunehmend höhere Anforderungen an Methoden für Simulation, Kalibrierung und automatisierte Analyse stellen. Insbesondere erfordert die Entwicklung und Validierung solcher Methoden realistische synthetische Daten, die die statistischen und morphologischen Eigenschaften beobachteter Radioquellen nachbilden. In dieser Dissertation untersuchte ich deep-learning-basierte generative Modellierungsansätze zur Synthese realistisch aussehender Radiobilder und Survey\-Beobachtungsdaten, mit dem Ziel, steuerbare und effiziente Simulationswerkzeuge für die Radioastronomie bereitzustellen.
Zunächst entwickelte ich Diffusionsmodelle, die auf Beobachtungen aus dem LOFAR Two-Metre Sky Survey und dem VLA FIRST-Survey trainiert wurden, um realistische Bilder einzelner Radiogalaxien zu erzeugen. Indem ich die Modelle auf die maximale Flussdichte oder morphologische Klassenlabels konditionierte, konnte ich die Intensitätsinformation erhalten und beim Generieren der Bilder die Morphologie der Quellen kontrollieren. Die resultierenden Modelle erzeugten qualitativ hochwertige Bilder, die die statistischen Eigenschaften der Trainingsdaten sehr gut wiedergaben. Insbesondere bestätigten Auswertungen mit einem neuronalen Klassifikationsmodell, dass die erzeugten Bilder morphologische Klassen zuverlässig nachbilden. Darüber hinaus zeigte ich, dass eine hochwertige Bilderzeugung bereits mit nur 25 Sampling-Schritten möglich ist, was eine deutliche Verbesserung der Effizienz für Diffusionsmodelle im Kontext in der Radioastronomie darstellt.
Aufbauend darauf entwickelte ich eine Software für machine-learning-gestützte Simulationen realistischer LOFAR-Beobachtungen. Dazu verwendete ich ein Diffusionsmodell, um einzelne Radiogalaxien mit kontrollierter Größe zu synthetisieren und sie zu einem synthetischen Himmelsmodell zusammenzusetzen, basierend auf einem simulierten Himmelskatalog welcher mit bestehender Software erzeugt wurde. Dieses Radio-Himmelsmodell wurde anschließend in Visibilitäten umgewandelt, realistisches Rauschen hinzugefügt und die Daten dekonvolviert, um simulierte Himmelskarten zu erhalten. Ich zeigte, dass die so erzeugten Beobachtungen zentrale Eigenschaften realer LOFAR-Daten reproduzieren, darunter die Fluss- und Größenverteilungen der Quellen sowie die gesamte Empfindlichkeit der Karten. Das entwickelte Framework ist flexibel und kann für andere Radioteleskope angepasst werden.
Zuletzt erweiterte ich diese Ansätze, indem ich ein latentes Diffusionsmodell zur Synthese größerer Bildausschnitte von Radiodurchmusterungskarten implementierte. Durch den Betrieb in einer komprimierten latenten Repräsentation ermöglichte das Modell die Erzeugung großer Bilder mit hoher Qualität. Ich codierte Quellinformationen zu Position, Helligkeit und Größe aus dem öffentlich verfügbaren Quellkatalog als konditionierenden Kontext und trainierte das Modell zusätzlich für Inpainting von Bildern, um sequenzielles Sampling zur erstellung großer Himmelskarten zu ermöglichen. Um den hohen Dynamikbereich der Daten zu verarbeiten, implementierte ich außerdem eine spezifische Skalierungsfunktion für Pixelwerte. Dadurch konnte ich realistische LOFAR-Ausschnitte mit präziser Kontrolle über Quellpositionen und Flüsse erzeugen und Karten beliebiger Größe konstruieren, indem ich mehrere generierte Bilder konsistent miteinander kombinierte.
Insgesamt zeigte ich, dass diffusionsbasierte generative Modelle einen leistungsfähigen und flexiblen Ansatz zur Erzeugung realistischer synthetischer Radiobeobachtungsdaten darstellen. Die in dieser Dissertation entwickelten Methoden tragen sowohl zur Simulation von Radiodurchmusterungsbeobachtungen als auch zur Entwicklung von Analyseverfahren für gegenwärtige und zukünftige Radioteleskope bei.
Abstract Radio astronomical surveys have reached a regime in which the volume, complexity, and scientific value of the data place increasing demands on methods for simulation, calibration, and automated analysis. In particular, the development and validation of such methods require realistic synthetic data that reproduce the statistical and morphological properties of observed radio sources. In this thesis, I investigated deep generative modelling approaches for the synthesis of realistic radio images and survey data with the aim of providing controllable and efficient simulation tools for radio astronomy. I first developed diffusion models trained on observations from the LOFAR Two-Metre Sky Survey and the VLA FIRST survey to generate realistic images of individual radio galaxies. By conditioning the models on peak flux values or morphological class labels, I was able to preserve intensity information and control source morphology during sampling. The resulting models produced high-quality images that closely matched the statistical properties of the training data. In particular, classifier-based evaluations confirmed that the generated images reproduced morphological classes reliably. Moreover, I demonstrated that high-fidelity generation was achievable with only 25 sampling steps, representing a substantial improvement in sampling efficiency for radio astronomical applications. Building on this, I developed software for machine learning-assisted simulations of realistic LOFAR observations. For this purpose, I used a diffusion model to synthesize individual radio galaxies with controlled size and assembled them into a synthetic sky model based on a simulated input catalogue obtained from existing software. This sky model was then converted into visibilities, realistic noise was added, and the data were deconvolved to produce simulated sky maps. I showed that the resulting observations reproduced key properties of real LOFAR data, including the flux and size distributions of sources as well as the overall sensitivity of the maps. The developed framework is flexible and may be adapted to other radio instruments. Finally, I extended these ideas by implementing a latent diffusion model for the synthesis of larger radio survey map cutouts. By operating in a compressed latent representation, the model enabled the generation of large images with good quality. I encoded source information on position, brightness, and size from the public source catalogue as conditioning context, and I trained the model additionally for image inpainting to enable sequential sampling for large map generation. To account for the high dynamic range of the data, I also implemented a custom pixel scaling function. This allowed me to generate realistic LOFAR cutouts with precise control over source positions and fluxes, and to construct maps of arbitrary size by combining multiple samples in a consistent manner.\\ Overall, I showed that diffusion-based generative models provide a powerful and flexible approach to producing realistic synthetic radio data. The methods developed in this dissertation contribute to the simulation of radio survey observations and to the development of analysis methods for current and future radio telescopes.