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

Resumen Técnico de "BGRem: Un removedor de ruido de fondo para imágenes astronómicas basado en un modelo de difusión"

Enunciado del Problema
La imagen astronómica enfrenta un desafío fundamental: maximizar la captura de señal mientras se minimiza la interferencia de ruido para lograr una alta relación señal-ruido (SNR). Si bien mejorar la SNR directamente en los detectores es técnicamente y financieramente prohibitivo, las técnicas de postprocesamiento son esenciales para tareas de construcción de catálogos. Los métodos tradicionales, como el filtrado bilateral, las wavelets y las medias no locales, se utilizan a menudo, pero los enfoques recientes de aprendizaje automático (ML) han mostrado promesa. Sin embargo, persiste un desafío significativo en la generalización de modelos de ML entrenados con datos simulados a observaciones del mundo real, que contienen ruido complejo y no controlado. Además, las herramientas existentes como SExtractor dependen de métodos de sustracción de fondo que pueden no optimizar completamente la detección de fuentes tenues en entornos ruidosos.

Metodología
Los autores presentan BGRem, una herramienta de aprendizaje automático diseñada para eliminar el ruido de fondo de imágenes astronómicas utilizando un marco de modelo de difusión supervisado.

• Arquitectura: La base de BGRem es una Attention U-Net (Oktay et al. 2018), que combina la estructura U-Net con mecanismos de atención para mejorar la precisión de las predicciones con un costo computacional mínimo.
• Marco de Entrenamiento: A diferencia de los Modelos Probabilísticos de Difusión de Eliminación de Ruido (DDPM) estándar, que añaden iterativamente ruido gaussiano para destruir una imagen, BGRem emplea un esquema de corrupción aditiva supervisada.
  • El modelo se entrena con pares de imágenes "limpias" solo de fuente ($y$) y ruido de fondo ($x$).
  • Durante el entrenamiento, se construye una imagen ruidosa $x_t$ añadiendo una porción escalada del ruido de fondo a la imagen limpia: $x_t = y + \sigma_t \cdot x$.
  • La escala de ruido $\sigma_t$ está gobernada por un programa basado en coseno, interpolando entre regímenes de alta señal y alta ruido.
  • La red se entrena para predecir el componente de ruido ($\hat{x}$) utilizando una función de pérdida de Error Absoluto Medio (MAE), en lugar del Error Cuadrático Medio (MSE) típicamente utilizado en DDPM.
• Preparación de Datos:
  • Datos Ópticos: Los datos de entrenamiento consisten en imágenes simuladas de campo completo del telescopio MeerLICHT, generadas usando GalSim. Estas incluyen fondos celestes que varían espacialmente, efectos del detector (ruido de lectura, corriente oscura) y ruido de Poisson. Las imágenes se recortan en subimágenes de $256 \times 256$.
  • Datos de Rayos Gamma: Para probar la aplicabilidad entre longitudes de onda, el modelo se reentrenó con mapas simulados del cielo en rayos $\gamma$ de Fermi-LAT (rango 1–2 GeV). Estas simulaciones incluyen Núcleos Galácticos Activos (AGN), Púlsares (PSR) y el fondo de Emisión Interestelar (IEM).
• Pre y Post-procesamiento: Las imágenes de entrada sufren una sustracción de mediana para centrar el ruido y normalización. Durante la inferencia, el modelo elimina el ruido iterativamente. El post-procesamiento implica establecer los valores de píxeles negativos a cero y la desnormalización.

Contribuciones Clave

1. Aplicación Novel de Difusión: BGRem representa una aplicación novedosa de modelos de difusión para la eliminación de fondo en astronomía, utilizando un enfoque de ruido aditivo supervisado en lugar del proceso destructivo estándar hacia adelante.
2. Adaptabilidad entre Longitudes de Onda: El estudio demuestra la capacidad del modelo para ser reentrenado para características de ruido distintas, aplicando con éxito el marco tanto a datos ópticos (MeerLICHT) como de rayos $\gamma$ (Fermi-LAT).
3. Integración con Pipelines Existentes: Los autores posicionan a BGRem no como una herramienta de fotometría independiente, sino como un paso de pre-procesamiento para mejorar las pipelines tradicionales de detección de fuentes (específicamente SExtractor).

Resultados

• Rendimiento Óptico (MeerLICHT): Cuando se utiliza como paso de pre-procesamiento para SExtractor, BGRem aumentó el número de detecciones de fuentes verdaderas positivas en aproximadamente 7% en comparación con el uso de SExtractor solo. El modelo eliminó efectivamente el ruido de fondo mientras preservaba las fuentes puntuales.
• Generalizabilidad (Zero-Shot): BGRem se probó en imágenes ópticas del Telescopio Canadá-Francia-Hawái (CFHT) y la Encuesta Legacy de DESI (DECam) sin reentrenamiento (inferencia zero-shot). En ambos casos, mejoró la eficiencia de detección de fuentes sobre la eliminación de fondo nativa de SExtractor, aunque tuvo dificultades para preservar estructuras extendidas de baja superficie brillante (LSB) (por ejemplo, M31), interpretándolas como ruido.
• Rendimiento en Rayos Gamma: En datos simulados de Fermi-LAT, BGRem eliminó con éxito el fondo IEM, permitiendo a SExtractor identificar más del doble de fuentes correctas en comparación con el método estándar.
• Limitaciones Identificadas:
  • Sesgo Fotométrico: Establecer los píxeles negativos a cero introduce un sesgo, haciendo que BGRem sea inadecuado para fotometría de alta precisión independiente. Los autores proponen utilizar las salidas de BGRem únicamente para generar máscaras de detección, que luego se aplican a los datos originales para la integración de flujo.
  • Fuentes Extendidas: El modelo, entrenado principalmente en fuentes puntuales, tiende a suprimir estructuras extendidas y difusas.
  • Ruido de Poisson en rayos $\gamma$: Aunque es efectivo contra el IEM, el modelo actual no logra manejar adecuadamente el ruido de Poisson observacional en datos de rayos $\gamma$, lo que lleva a una subestimación de los conteos en parches brillantes y una sobreestimación en parches tenues.

Significado y Afirmaciones
El artículo afirma que BGRem ofrece un marco robusto y de propósito general para la eliminación de fondo que puede mejorar la precisión de la detección de fuentes en métodos tradicionales basados en píxeles. Al aplicar con éxito un enfoque basado en difusión tanto a los dominios óptico como de rayos $\gamma$, los autores destacan su potencial como un paso de pre-procesamiento versátil para sondeos astronómicos multi-longitud de onda. El trabajo sirve como una prueba de concepto para integrar modelos de difusión en la pipeline ASID (Identificación y Detección de Fuentes Astronómicas), con el objetivo de complementar, en lugar de reemplazar, herramientas establecidas como SExtractor. Los autores mantienen un tono modesto, reconociendo que, aunque BGRem mejora la eficiencia de detección, actualmente requiere una mayor optimización (por ejemplo, manejo del ruido de Poisson y preservación de la morfología extendida) antes de ser adecuado para todas las aplicaciones científicas, particularmente aquellas que requieren fotometría de superficie.