Resumen Técnico: Límites de Detección Más Profundos en Imágenes Astronómicas Mediante Desruido Espaciotemporal Auto-supervisado

Declaración del Problema

El límite de detección en la astronomía observacional está fundamentalmente limitado por fuentes de ruido, incluyendo el ruido de lectura instrumental, el fondo del cielo y las estadísticas de fotones. Si bien los avances en hardware (por ejemplo, aperturas más grandes) mejoran la relación señal-ruido (S/N), no pueden corregir el ruido de fondo correlacionado que surge de la emisión zodiacal, los primeros planos galácticos y la dispersión atmosférica.

Los enfoques de software tradicionales enfrentan limitaciones significativas:

• Co-adición (Apilamiento): Promediar múltiples exposiciones mejora la S/N en un factor de $\sqrt{M}$ solo si el ruido a nivel de píxel es independiente e idénticamente distribuido (i.i.d.). En realidad, el ruido a menudo está correlacionado debido a la Función de Dispersión del Punto (PSF), la emisión de fondo estructurada y los efectos instrumentales, lo que conduce a rendimientos decrecientes para sondeos profundos.
• Suavizado: La convolución con núcleos suprime el ruido de alta frecuencia pero degrada la resolución espacial.
• Aprendizaje Profundo Supervisado: Los métodos que requieren pares de imágenes ruidosas y limpias luchan con la brecha de dominio sintético-real y la escasez de datos de entrenamiento emparejados confiables (por ejemplo, pares de exposiciones largas/cortas).
• Métodos Auto-supervisados Existentes: Los métodos actuales de desruido auto-supervisado basados en imágenes individuales o pares (por ejemplo, Noise2Noise) a menudo dependen de métricas generales de S/N de la imagen, que pueden no traducirse en ganancias astronómicas prácticas. Estos métodos pueden introducir artefactos, pasar por alto fuentes tenues o no preservar la precisión fotométrica.

Metodología: ASTERIS

Los autores presentan ASTERIS (Algoritmo de desruido astronómico basado en transformadores auto-supervisados), un marco de aprendizaje profundo auto-supervisado diseñado para explotar las correlaciones espaciotemporales a través de múltiples exposiciones con desplazamiento (dithered) del mismo campo.

Arquitectura Central y Estrategia

• Aprendizaje Espaciotemporal: A diferencia del desruido de imagen individual estándar, ASTERIS procesa una pila de $M$ exposiciones alineadas como un cubo de datos 3D (espacial $x, y$ + temporal $t$). Utiliza una arquitectura 3D U-Net mejorada con bloques de Atención Transpuesta de Cabeza Multi-Desconvolucionada 3D (3D-MDTA) y bloques de Red de Alimentación Avanzada Desconvolucionada con Puerta 3D (3D-GDFN). Este diseño híbrido captura tanto las correlaciones espaciales locales como las dependencias de largo alcance entre exposiciones.
• Entrenamiento Auto-supervisado: El algoritmo no requiere una verdad de terreno limpia. Divide un conjunto de $M$ exposiciones (típicamente 16) en dos conjuntos independientes: un conjunto de entrada y un conjunto objetivo (por ejemplo, 8 exposiciones cada uno). Dado que las exposiciones están alineadas astrométricamente, comparten la misma señal subyacente pero poseen realizaciones de ruido independientes. La red aprende a predecir la expectativa de señal del conjunto de entrada utilizando el conjunto objetivo como proxy.
• Función de Pérdida: El objetivo de entrenamiento combina dos componentes:
  1. Pérdida Promedio (MSE): Minimiza el Error Cuadrático Medio entre la co-adición del conjunto de entrada y el conjunto objetivo, mejorando la completitud de la detección de fuentes al reducir las fluctuaciones del fondo.
  2. Pérdida de Fotograma (MAE): Minimiza el Error Absoluto Medio entre las exposiciones correspondientes individuales, proporcionando robustez frente a valores atípicos y mejorando la pureza de la detección.
• Umbralización de Flujo (Recorte 3$\sigma$): Para manejar el amplio rango dinámico de las imágenes astronómicas, ASTERIS opera selectivamente sobre las partes tenues de la imagen. Los píxeles por debajo de un umbral de significancia de $3\sigma$ son procesados por la red neuronal. Los píxeles por encima de este umbral (fuentes brillantes) se recortan temporalmente, se combinan mediante mediana y se reintegran en la imagen final. Esto concentra la capacidad de la red en regiones de baja S/N sin introducir discontinuidades de flujo.
• Adaptación Instrumental: Se entrenan modelos separados para diferentes instrumentos (JWST NIRCam de longitud de onda corta/larga y Subaru MOIRCS) para tener en cuenta las características de ruido y las PSF distintas.

Resultados Clave

1. Evaluación Comparativa en Datos Simulados

Utilizando datos de JWST NIRCam F115W con fuentes simuladas inyectadas (27.5–31.5 mag), ASTERIS se comparó con la co-adición estándar, el suavizado gaussiano, BM3D/BM4D, Neighbor2Neighbor y Noise2Noise (N2N).

• Límites de Detección: Al 90% de completitud y 90% de pureza, ASTERIS mejora el límite de detección en 1.0 magnitud en comparación con la co-adición estándar y 1.0 magnitud en comparación con N2N.
• Puntuación F: ASTERIS mejora la profundidad límite (en Puntuación F = 0.9) en aproximadamente 1.7 mag sobre la co-adición.
• Fidelidad Fotométrica y Espacial: ASTERIS preserva el perfil de la PSF (estadísticamente indistinguible de la co-adición, $p=0.9$) y no muestra sesgo fotométrico sistemático, a diferencia de N2N que mostró resolución degradada ($p < 0.05$).

2. Validación Observacional

• Datos de JWST (Programa GLIMPSE): Aplicado a pilas de 8 exposiciones, ASTERIS recuperó 93 de 168 fuentes detectadas en una verdad de terreno de 168 exposiciones profundas, mientras que la co-adición estándar de 8 exposiciones recuperó solo 50. Cuando se aplicó a las 168 exposiciones completas, ASTERIS identificó 35% más fuentes que los métodos estándar.
• Características de Bajo Brillo Superficial (LSB): ASTERIS mejoró significativamente la métrica de Similitud Estructural (SSIM) para estructuras extendidas. Para los brazos exteriores de una galaxia espiral, el SSIM aumentó de 0.37 (co-adición) a 0.67. Para un arco gravitacionalmente lenteado, el SSIM mejoró de 0.59 a 0.81.
• Generalización (Telescopio Subaru): Un modelo entrenado específicamente en datos de Subaru MOIRCS recuperó con éxito fuentes tenues en imágenes de banda Ks desde tierra, demostrando adaptabilidad a la turbulencia atmosférica y un fondo de cielo más alto, aunque un modelo entrenado en JWST aplicado directamente a datos de Subaru produjo falsos positivos.

3. Aplicación a Galaxias de Alto Corrimiento al Rojo (Campo de Orígenes JADES)

ASTERIS se aplicó al Campo de Orígenes JADES (JOF), un sondeo profundo de JWST.

• Descubrimiento de Candidatos: El método identificó 162 candidatos a galaxias de alto corrimiento al rojo en $z_{phot} \gtrsim 9$, aproximadamente tres veces el número encontrado en estudios anteriores utilizando co-adición estándar.
• Límites Más Tenues: Los candidatos más tenues identificados tenían magnitudes absolutas en el UV en reposo ($M_{UV}$) de $\approx -16$ mag, 1.0 magnitud más tenues que los límites anteriores.
• Resolución de Ambigüedad de Corrimiento al Rojo: Al mejorar la S/N en las bandas de "caída" (filtros donde la ruptura de Lyman causa no detección), ASTERIS ayudó a resolver ambigüedades de corrimiento al rojo fotométrico, distinguiendo rupturas de Lyman de alto corrimiento al rojo de rupturas de Balmer de bajo corrimiento al rojo.
• Funciones de Luminosidad: Las funciones de luminosidad UV derivadas para $z \sim 9-12$ y $z \sim 12-16$ exhiben pendientes pronunciadas en el extremo tenue ($\alpha \approx -2.45$ y $-2.28$, respectivamente), indicando mayores densidades numéricas de galaxias tenues de las predichas por algunos modelos teóricos.

Significado y Afirmaciones

El artículo afirma que ASTERIS representa un avance significativo en la imagen astronómica al aprovechar las correlaciones espaciotemporales inherentes a las observaciones de múltiples exposiciones, las cuales son típicamente ignoradas por los métodos de apilamiento estándar o desruido de imagen individual.

• Eficiencia: El algoritmo permite extraer resultados científicos más profundos de conjuntos de datos existentes sin requerir tiempo adicional de telescopio o actualizaciones de hardware.
• Robustez: Suprime eficazmente el ruido correlacionado mientras preserva la PSF y la precisión fotométrica, lo cual es crítico para mediciones morfológicas y de flujo.
• Impacto Científico: Al empujar los límites de detección más profundamente, ASTERIS permite el descubrimiento de estructuras de bajo brillo superficial previamente indetectables y una población sustancial de galaxias tenues de alto corrimiento al rojo, proporcionando nuevas restricciones sobre la formación de galaxias tempranas y la época de reionización.

Los autores enfatizan que el método es auto-supervisado, requiriendo solo los datos observacionales mismos para el entrenamiento, lo que lo hace aplicable a diversas estrategias de sondeo e instrumentos siempre que estén disponibles datos de entrenamiento apropiados.