前言： 就在昨天，人類歷史上第一張黑洞影象被“拍”出來了。
請配戴眼鏡檢視高清大圖
儘管黑洞的第一張真身照是一張模糊、不規則的圓環，但這張照片的背後凝結了目前最先進的探測技術，整個過程歷時十餘年，動用了來自非洲、亞洲、歐洲、北美洲和南美洲的200多名研究人員，八個探測望遠鏡不分晝夜觀測，最終的這張影象也有可能獲得諾貝爾獎。
這一切成就，都離不開視界望遠鏡和背後的計算。
人類“拍”到的第一張黑洞照片，並不是像我們拿手機拍照那樣，點下螢幕就好，而是需要分佈在全球各地的許多天文望遠鏡在同一時間“按下快門”，記錄無線電資料。
然後，再依靠機器學習演算法，把資料拼到一起，重建出影象。
圖片的形成過程：
其實拍攝這些圖片來自智利、夏威夷、南極洲、亞利桑那、西班牙、墨西哥六個地方的一共八臺天文望遠鏡。天文望遠鏡獲取的資料量非常大，然而這些資料裡面不僅僅包含黑洞，還包含天空中的各種複雜、凌亂的資料，科學家們要靠這些資料，拼出一張完整的黑洞寫真。
2017年4月5日，由位於南極、智利、墨西哥、美國夏威夷、美國亞利桑那州、西班牙的8臺亞毫米射電望遠鏡同時對黑洞展開觀測，利用甚長基線干涉測量技術(VLBI)將這8臺望遠鏡構建成超級“虛擬”望遠鏡——視介面望遠鏡（EHT），EHT口徑13000公里，約等同於地球直徑。
處理照片：
其實，天文望遠鏡早就拍完了照片，而“洗照片”的過程長達兩年。為什麼“洗照片”時間如此之長？
因為這類觀測的資料處理並非只用一套現成的方法。多臺望遠鏡之間的鐘差、望遠鏡自身狀態隨時間的微小改變等問題都會影響觀測精度。另一方面，“拍照”物件黑洞本身也在不斷變化，科學家需要探索新方法對“相機”進行校準，建立模型，以提升合成影象的質量和精度。
本來，根據天文望遠鏡資料還原天體影象，用成像演算法即可。
然而面對PB級稀疏、嘈雜的資料，想靠人力從中找出影象太難了。於是，科學家們使用了機器學習方法。
影象處理經常被處理成反問題，什麼是反問題：
考慮正問題f=Au+n，n是觀測噪聲，反問題就是在有了觀測f的條件下怎麼獲得真實圖片u
如果A是一個恆同運算元，反問題就是去燥
如果A是一個模糊，反問題就是去模糊
如果A是一個CT，反問題就是CT恢復
在將演算法之前說一下這個問題意義，打個比方你要做核磁共振，你要綁在床上聽著快一個小時噪聲，那麼你就希望A這個演算法進行sample 次數變少，那麼如果我演算法更厲害，你mri時間會越少。
有人說，這個問題簡單
就好了，那麼如果A不可逆呢？ 你說這個也簡單，最小二乘啊
，那麼你就是沒有考慮到n－－觀測噪聲
考慮一個去模糊問題，如果有噪聲，直接求逆結果會是怎麼樣的呢？
噪聲在求逆的時候無數倍的被放大了，產生了棋盤一樣的artifact 那麼怎麼解決問題呢？加入正則項！
這裡的R的作用時 如果u不是“圖片”，那麼R值大一點 如果u像一張圖片，R的值小一點 數學家就花了很久來構造R，第一個成功的是total variation，定義為
那麼我們用到的這個演算法是什麼樣的呢： 對於simulate資料
用了total variation的效果是
為什麼呢，為了達到這個分辨尺度，根據測不準原理，他們需要整個地球半徑的天文望遠鏡。但是事實上我們造不出來這麼大的望遠鏡，只能用九個觀測站點的資料來做。這是一個高度不適定的反問題，那麼需要更好的正則項。 設計正則項他們用到的想法是學習
From Learning Models of Natural Image Patches to Whole Image Restoration
他們用高斯混合模型對圖片patch進行建模，學習出圖片patch的distribution作為上面問題的正則項。
ted talk裡面還將到他們用了多個資料集去學習，用日常圖片，宇宙照片，望遠鏡資料。。學習出來了很多個正則項，發現恢復出來的圖片都是這樣的圖片。
其實看到這裡，我們已經是很震驚了，原來霍金的黑洞論真實存在，我們人類還宇宙面前真的很渺小。但是隨著科技的不斷髮展，我們人類也會認識更加深入的宇宙。