🔭 astrophysics

BGRem: A background noise remover for astronomical images based on a diffusion model

تقدم الورقة البحثية BGRem، وهي أداة تعتمد على نماذج الانتشار، والتي تعمل بفعالية على إزالة ضوضاء الخلفية من الصور الفلكية، مما يحسن بشكل كبير من دقة اكتشاف المصادر ويتعمم جيداً عبر البيانات البصرية وأشعة غاما لتعزيز سير عمل بناء الفهارس التقليدي.

المؤلفون الأصليون: Rodney Nicolaas, Sascha Caron, Fiorenzo Stoppa, Saptashwa Bhattacharyya, Roberto Ruiz de Austri, Paul J. Groot, Andrew J. Levan

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rodney Nicolaas, Sascha Caron, Fiorenzo Stoppa, Saptashwa Bhattacharyya, Roberto Ruiz de Austri, Paul J. Groot, Andrew J. Levan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول سماع صديق يهمس في غرفة مزدحمة وصاخبة. صوت الصديق هو "الإشارة" (النجوم والمجرات التي يريد علماء الفلك دراستها)، بينما ضجيج الحشد هو "الضوضاء الخلفية". في علم الفلك، تصوير الكون يشبه محاولة تسجيل تلك الهمسة. الكاميرات مذهلة، لكن "الغرفة" تكون دائمًا مليئة بالتشويش، والحبيبات، والتداخل الذي يجعل من الصعب سماع الهمسات الخافتة للأجرام البعيدة.

يقدم هذا البحث BGRem، وهي أداة رقمية جديدة صُممت لتعمل مثل سماعات إلغاء الضجيج الذكية للغاية لصور علم الفلك.

المشكلة: الصورة "المحببة"

غالبًا ما يضطر علماء الفلك للانتظار لفترة طويلة للحصول على صورة واضحة للفضاء. وحتى حين ذلك، غالبًا ما تكون صورهم مغطاة بـ "غشاوة" ناتجة عن الكاميرا نفسها، أو الغلاف الجوي، أو الأشعة الكونية العشوائية. تقليديًا، يستخدمون برامج قياسية (مثل أداة تسمى SExtractor) لمحاولة تنظيف ذلك. فكر في SExtractor كشخص يحاول تنظيف نافذة موحلة بمسحها بقطعة قماش عامة؛ إنها تعمل بشكل جيد، لكنها غالبًا ما تترك خطوطًا أو تفشل في إزالة أخف بقع الأوساخ (الضوضاء) التي تحجب الرؤية.

الحل: BGRem (المنظف الذكي)

ابتكر المؤلفون BGRem، الذي يستخدم نوعًا من الذكاء الاصطناعي يسمى نموذج الانتشار (Diffusion Model).

لفهم كيفية عمل BGRem، تخيل صورة غُطيت ببطء بضباب كثيف ودوار:

التدريب: تم تدريب الذكاء الاصطناعي في مختبر افتراضي. حيث أخذ العلماء صورًا واضحة للنجوم والمجرات ثم أضافوا إليها اصطناعيًا طبقات من الضباب (الضوضاء)، خطوة بخطوة، حتى أصبحت الصورة بيضاء وضبابية تمامًا.
التعلم: تعلم الذكاء الاصطناعي عكس هذه العملية. تعلم كيف ينظر إلى صورة ضبابية ويقول: "آه، أنا أعرف شكل الضباب في هذه المرحلة المحددة. إذا أزلت هذه الطبقة المحددة من الضباب، سأقترب من الصورة الواضحة الموجودة تحتها".
النتيجة: عندما تعطي BGRem صورة فلكية حقيقية مشوشة، فإنه لا يكتفي بمجرد مسحها بقطعة قماش، بل يقوم بـ "إزالة الضباب" عن الصورة، حيث يقشر طبقات الضوضاء طبقة تلو الأخرى ليكشف عن النجوم الموجودة تحتها.

ما وجدوه

اختبر الفريق هذه الأداة في نوعين مختلفين تمامًا من "الغرف":

1. الضوء البصري (النجوم المرئية):
اختبروا BGRem على صور من تلسكوب MeerLICHT (الذي يرى الضوء المرئي، كما تراه أعيننا).

التشبيه: تخيل أنك تحاول العثور على حشرات مضيئة صغيرة في حقل ليلاً. الخلفية مظلمة ولكن بها حبيبات طبيعية.
النتيجة: عندما استخدموا BGRem لتنظيف الصورة قبل تشغيل البرنامج القياسي (SExtractor)، وجد البرنامج 7% أكثر من الحشرات المضيئة (النجوم) مما وجده في الصور المتسخة. لقد كان بارعًا بشكل خاص في العثور على تلك النجوم الخافتة والضعيفة التي كانت مخفية سابقًا في التشويش.
خدعة "الاستخدام المباشر" (Zero-Shot): جربوا أيضًا BGRem على صور من تلسكوبات مختلفة تمامًا (مثل CFHT و DESI Legacy Survey) دون إعادة تدريب الذكاء الاصطناعي. كان الأمر يشبه إعطاء سماعات إلغاء الضجيج لشخص آخر في غرفة مختلفة، ومع ذلك ظلت تعمل بشكل مثالي. وهذا يظهر أن الذكاء الاصطناعي قد تعلم مفهوم الضوضاء، وليس مجرد الضوضاء الخاصة بكاميرا واحدة.

2. أشعة غاما (الضوء عالي الطاقة):
اختبروه أيضًا على صور محاكات لـ أشعة غاما (الضوء عالي الطاقة من الثقوب السوداء والنجوم النابضة) من تلسكوب Fermi-LAT.

التشبيه: هذا يشبه محاولة سماع همسة في غرفة تهتز جدرانها بتشويش انفجاري عشوائي.
النتيجة: نجح BGRem في إزالة نوع معين من "الضباب" الكوني يسمى الانبعاث البين نجمي (IEM). وقد ساعد البرنامج القياسي في العثور على أكثر من ضعف عدد المصادر مقارنة بالطريقة القياسية.

العقبة (القيود)

الورقة البحثية صريحة بشأن المواضع التي لم يصل فيها BGRem إلى المثالية بعد:

مشكلة المجرات "المضببة": نظرًا لأن الذكاء الاصطناعي تم تدريبه غالبًا على النجوم ذات النقاط الصغيرة (مثل نقاط الضوء)، فقد يرتبك أحيانًا أمام المجرات الكبيرة والضبابية. قد يعتقد أن مجرة باهتة وممتدة هي مجرد "ضوضاء" ويمسحها بالخطأ. إنه رائع في العثور على النقاط، لكنه قد يتسبب في تنعيم السحب بالخطأ.
مشكلة "الرياضيات": عند التعامل مع أشعة غاما، تسلك الضوضاء سلوك رمي النرد العشوائي (ضوضاء بواسون). أحيانًا يخطئ BGRem في تقدير كمية الضوضاء، مما يجعل النجوم الساطعة تبدو أقل سطوعًا قليًا والنجوم الخافتة تبدو أكثر سطوعًا مما هي عليه في الواقع. لذا، بينما هو رائع في إيجاد النجوم، لا ينبغي لعلماء الفلك استخدام الصورة المنظفة لـ قياس مدى سطوعها بدقة في الوقت الحالي.

الخلاصة

BGRem هو "معالج مسبق" قوي. إنه يشبه خطوة تنظيف متخصصة تقوم بها قبل أن تبدأ تحليلك الرئيسي. إنه لا يحل محل أدوات علماء الفلك، بل يجعل تلك الأدوات تعمل بشكل أفضل بكثير. من خلال إزالة الضوضاء الخلفية المعقدة، فإنه يسمح لعلماء الفلك برؤية المزيد من الكون، وخاصة الأجرام الباهتة والصعبة الرؤية، عبر أنواع مختلفة من الضوء.

ملخص تقني لورقة بحثية بعنوان: "BGRem: أداة لإزالة ضجيج الخلفية من الصور الفلكية تعتمد على نموذج الانتشار"

بيان المشكلة
تواجه التصويرات الفلكية تحديًا جوهريًا: تعظيم التقاط الإشارة مع تقليل تداخل الضجيج إلى أدنى حد لتحقيق نسبة إشارة إلى ضجيج (SNR) عالية. وبينما يعد تعزيز نسبة (SNR) مباشرة على الكواشف أمرًا صعبًا تقنيًا ومكلفًا ماليًا، فإن تقنيات ما بعد المعالجة تعد ضرورية لمهام بناء الكتالوجات. تُستخدم الطرق التقليدية، مثل الترشيح الثنائي (bilateral filtering)، والويفلت (wavelets)، والمتوسط غير الموضعي (non-local means)، بشكل شائع، إلا أن مناهج تعلم الآلة (ML) الحديثة قد أظهرت نتائج واعدة. ومع ذلك، لا يزال هناك تحدٍ كبير يتمثل في تعميم نماذج تعلم الآلة المدربة على بيانات محاكاة لتطبيقها على الملاحظات الواقعية، والتي تحتوي على ضجيج معقد وغير متحكم فيه. علاوة على ذلك، تعتمد الأدوات الحالية مثل SExtractor على طرق طرح الخلفية التي قد لا تنجح تمامًا في تحسين عملية اكتشاف المصادر الخافتة في البيئات الصاخبة.

المنهجية
يقدم المؤلفون BGRem، وهو أداة تعلم آلة مصمما لإزالة ضجيج الخلفية من الصور الفلكية باستخدام إطار عمل نموذج انتشار خاضع للإشراف.

البنية الهيكلية: العمود الفقري لـ BGRem هو Attention U-Net (Oktay et al. 2018)، والذي يجمع بين بنية U-Net وآليات الانتباه (attention mechanisms) لتحسين دقة التنبؤ بأقل تكلفة حوسبية.
إطار التدريب: على عكس نماذج الانتشار الاحتمالي لتقليل الضجيج (DDPM) القياسية التي تضيف ضجيج غاوسي (Gaussian noise) بشكل تكراري لتدمير الصورة، يستخدم BGRem مخطط فساد إضافي خاضع للإشراف (supervised additive corruption).
- يتم تدريب النموذج على أزواج من الصور "النظيفة" للمصادر فقط ( $y$ ) وضجيج الخلفية ( $x$ ).
- أثناء التدريب، يتم إنشاء صورة صاخبة $x_t$ عن طريق إضافة جزء مُقاس من ضجيج الخلفية إلى الصورة النظيفة: $x_t = y + \sigma_t \cdot x$ .
- يتم التحكم في مقياس الضجيج $\sigma_t$ بواسطة جدول يعتمد على دالة جيب التمام (cosine-based schedule)، والذي يتدرج بين أنظمة الإشارة العالية والضجيج العالي.
- يتم تدريب الشبكة على التنبؤ بمكون الضجيج ( $\hat{x}$ ) باستخدام دالة خسارة متوسط الخطأ المطلق (MAE)، بدلاً من متوسط مربع الخطأ (MSE) المستخدم عادة في DDPM.
إعداد البيانات:
- البيانات البصرية: تتكون بيانات التدريب من صور كاملة المجال محاكات من تلسكوب MeerLICHT، تم إنشاؤها باستخدام GalSim. تشمل هذه الصور خلفيات سماوية متغيرة مكانيًا، وتأثيرات الكاشف (ضجيج القراءة، وتيار الظلام)، وضجيج بواسون (Poisson noise). يتم تقطيع الصور إلى صور فرعية بحجم $256 \times 256$ .
- بيانات أشعة غاما: لاختبار قابلية التطبيق عبر الأطوال الموجية، تمت إعادة تدريب النموذج على خرائط سماء أشعة غاما المحاكات من Fermi-LAT (نطاق 1–2 جيجا إلكترون فولت). تتضمن هذه المحاكاة النوى المجرية النشطة (AGNs)، والنابضات (PSRs)، وخلفية الانبعاث البين نجمي (IEM).
المعالجة القبلية والبعدية: تخضع الصور المدخلة لطرح الوسيط (median subtraction) لمركزة الضجيج والتقييس (normalization). أثناء الاستدلال، يقوم النموذج بإزالة الضجيج بشكل تكراري. تتضمن المعالجة البعدية ضبط قيم البكسل السالبة لتصبح صفرًا وإلغاء التقييس (denormalization).

المساهمات الرئيسية

تطبيق جديد للانتشار: يمثل BGRem تطبيقًا مبتكرًا لنماذج الانتشار في إزالة الخلفية في علم الفلك، باستخدام نهج ضجيج إضافي خاضع للإشراف بدلاً من عملية التدمير الأمامية القياسية.
القابلية للتكيف عبر الأطوال الموجية: توضح الدراسة قدرة النموذج على إعادة التدريب لخصائص ضجيج متميزة، حيث طُبق الإطار بنجاح على كل من البيانات البصرية (MeerLICHT) وبيانات أشعة غاما (Fermi-LAT).
التكامل مع المسارات الحالية: يضع المؤلفون BGRem ليس كأداة قياس ضوئي مستقلة، بل كخطوة معالجة مسبقة لتعزيز مسارات اكتشاف المصادر التقليدية (تحديدًا SExtractor).

النتائج

الأداء البصري (MeerLICHT): عند استخدامه كخطوة معالجة مسبقة لـ SExtractor، زاد BGRem عدد اكتشافات المصادر الإيجابية الحقيقية بنسبة تقارب 7% مقارنة باستخدام SExtractor وحده. نجح النموذج في إزالة ضجيج الخلفية مع الحفاظ على المصادر النقطية.
القدرة على التعميم (Zero-Shot): تم اختبار BGRem على صور بصرية من تلسكوب كندا-فرنسا-هاواي (CFHT) ومسح DESI Legacy Survey (DECam) دون إعادة تدريب (استدلال Zero-shot). في كلتا الحالتين، حسن النموذج كفاءة اكتشاف المصادر مقارنة بإزالة خلفية SExtrctor الأصلية، رغم أنه عانى في الحفاظ على الهياكل الممتدة ذات السطوع المنخفض (LSB) (مثل M31)، حيث فسرها كضجيج.
أداء أشعة غاما: في بيانات Fermi-LAT المحاكات، نجح BGRem في إزالة خلفية IEM، مما سمح لـ SExtractor بتحديد أكثر من ضعف عدد المصادر الصحيحة مقارنة بالطريقة القياسية.
القيود المحددة:
- التحيز الضوئي: يؤدي ضبط البكسلات السالبة لتصبح صفرًا إلى إدخال تحيز، مما يجعل BGRem غير مناسب للقياس الضوئي عالي الدقة المستقل. يقترح المؤلفون استخدام مخرجات BGRem فقط لإنشاء أقنعة الكشف (detection masks)، والتي تُطبق بعد ذلك على البيانات الأصلية لدمج التدفق (flux integration).
- المصادر الممتدة: يميل النموذج، المدرب أساسًا على المصادر النقطية، إلى كبح الهياكل المنتشرة والممتدة.
- ضجيج بواسون في أشعة غاما: بينما كان فعالًا ضد IEM، فشل النموذج الحالي في التعامل بشكل صحيح مع ضجيج بواسون الرصدي في بيانات أشعة غاما، مما أدى إلى نقص في التنبؤ بالعدات في المناطق الساطعة وزيادة في التنبؤ بها في المناطق الخافتة.

الأهمية والادعاءات
تدعي الورقة أن BGRem يوفر إطار عمل قويًا وعام الغرض لإزالة الخلفية يمكن أن يعزز دقة اكتشاف المصادر في الطرق التقلية القائمة على البكسل. ومن خلال التطبيق الناجح لنهج قائم على الانتشار في كل من المجالات البصرية وأشعة غاما، يسلط المؤلفون الضೆ الضوء على إمكاناته كخطوة معالجة مسبقة متعددة الاستخدامات لمسوحات متعددة الأطوال الموجية. يعمل هذا العمل كإثبات مفهوم لدمج نماذج الانتشار في مسار ASID (تحديد وتحديد المصادر الفلكية)، بهدف استكمال الأدوات الراسخة مثل SExtractor وليس استبدالها. يحافظ المؤلفون على نبرة متواضعة، معترفين بأن BGRem، رغم تحسينه لكفاءة الاكتشاف، يتطلب حاليًا مزيدًا من التحسين (مثل التعامل مع ضجيج بواسون والحفاظ على المورفولوجيا الممتدة) قبل أن يكون مناسبًا لجميع التطبيقات العلمية، خاصة تلك التي تتطلب قياس السطوع (surface photometry).

المشكلة: الصورة "المحببة"

الحل: BGRem (المنظف الذكي)

ما وجدوه

العقبة (القيود)

الخلاصة

أبحاث مشابهة