Photometric Super-Resolution for Improving Galaxy Morphological Measurements using Conditional Generative Adversarial Networks

Resumen Técnico: Neo - Super-resolución Fotométrica para Mejorar Mediciones Morfológicas de Galaxias

1. El Problema

La medición precisa de los parámetros morfológicos de las galaxias (como elípticidad, tamaño, índice de Sérsic y orientación) es fundamental para estudios de evolución galáctica y lentes gravitacionales débiles. Sin embargo, la precisión de estas mediciones en imágenes astronómicas terrestres se ve limitada por tres factores principales:

• Verseeing (Seeing) efectivo: La turbulencia atmosférica difumina las características de la galaxia, resumida por la Función de Dispersión de Puntos (PSF).
• Escala de píxeles: La resolución espacial del detector limita la cantidad de información estadística disponible.
• Relación Señal-Ruido (SNR): La profundidad de la observación determina la calidad de la imagen.

Mejorar estos factores mediante actualizaciones de detectores, diseño de observatorios o tiempo de observación es extremadamente costoso. Las técnicas de super-resolución tradicionales a menudo fallan en recuperar la complejidad estructural de las galaxias o introducen artefactos que sesgan las mediciones físicas.

2. Metodología: La Arquitectura Neo

El autores proponen Neo, una red neuronal condicional basada en Redes Generativas Antagónicas (cGANs) diseñada para transformar imágenes terrestres de baja resolución en imágenes de alta resolución comparables a las del espacio (específicamente, de Subaru HSC a HST).

• Arquitectura General: Neo combina una estructura tipo U-Net con un módulo de super-resolución inspirado en SRGAN. El proceso se divide en cuatro fases:

  1. Pre-procesamiento: Recorte de imágenes (1002 píxeles), recorte de valores extremos (percentil 99.999), escalado logarítmico (inspirado en DS9) para normalizar el rango a $[-1, 1]$, y relleno reflectivo (padding) para asegurar dimensiones pares.
  2. Fase de Contracción: Siete operadores que reducen la dimensión espacial de la imagen latente mediante convoluciones con leakyReLU y normalización por lotes (Batch Normalization), hasta llegar a una representación latente de $1 \times 1$.
  3. Fase de Expansión: Siete operadores que reconstruyen la imagen espacialmente, utilizando convoluciones transpuestas. Se emplean conexiones residuales (skip connections) para concatenar características de la fase de contracción con la de expansión, preservando detalles de alto nivel.
  4. Fase de Super-resolución: Dos operadores que aplican convoluciones de subpíxeles (sub-pixel convolution) para aumentar la resolución en un factor de 6x (3x seguido de 2x) sin interpolación explícita, generando información sub-píxel.

• Discriminador: Se utiliza un PatchGAN, que clasifica parches de la imagen como "reales" o "falsos" en lugar de la imagen completa, lo que permite corregir errores locales de manera más efectiva.

• Funciones de Pérdida (Loss Functions): El entrenamiento optimiza una función de pérdida compuesta por cuatro componentes:

  1. Pérdida Adversarial: Engaña al discriminador para que la imagen generada parezca real.
  2. Pérdida de Reconstrucción ($L_1$): Minimiza la diferencia de píxeles entre la imagen generada y la de alta resolución (HST).
  3. Pérdida de Segmentación: Penaliza solo los píxeles asociados a fuentes detectadas (galaxias), mejorando la calidad cualitativa de los objetos.
  4. Pérdida Perceptual (VGG): Utiliza una red VGG pre-entrenada para asegurar que las características de alto nivel y la textura de la imagen generada coincidan con la realidad.

• Entrenamiento: El modelo se entrenó con 2.5 millones de pasos utilizando el optimizador Adam, con una tasa de aprendizaje de $2 \times 10^{-5}$ para el discriminador y $2 \times 10^{-4}$ para el generador.

3. Datos y Validación

• Conjunto de Datos: Se utilizaron datos del campo COSMOS.
  • Entrada (Baja resolución): Imágenes i-band del Subaru Hyper Suprime-Camera (HSC) (PSF $\sim 1.3''$, escala 0.168"/px).
  • Objetivo (Alta resolución): Imágenes F814W del Hubble Space Telescope (HST) (PSF $\sim 0.09''$, escala 0.03"/px).
• División: 80% de los datos para entrenamiento y 20% para validación.
• Validación de la Tubería: Se comparó el rendimiento de la tubería de medición personalizada contra SExtractor utilizando simulaciones del catálogo DREAM, demostrando que la tubería personalizada ofrece menos sesgo en parámetros morfológicos.

4. Resultados Clave

Neo demostró una mejora significativa en la recuperación de parámetros morfológicos en comparación con las imágenes originales de HSC, acercándose a la precisión de HST.

• Mejora en Parámetros Morfológicos:

  • Radio Efectivo ($R_e$): El sesgo relativo se redujo de 0.72 (HSC) a 0.04 (Neo). Neo recupera los tamaños de las galaxias con alta precisión en todo el rango de magnitudes.
  • FWHM (Ancho a Media Altura): El sesgo mejoró de 0.82 (HSC) a -0.02 (Neo), indicando una recuperación casi perfecta de la distribución de luz.
  • Concentración ($C_{75/25}$): Se eliminó el sesgo sistemático negativo de HSC (-0.20), logrando un valor cercano a cero (0.008) en Neo.
  • Eje de Relación (q) y Orientación: Neo reduce drásticamente la dispersión y el sesgo en la forma y orientación de las galaxias, recuperando la elípticidad real incluso para objetos tenues.

• Propiedades del PSF:

  • Neo aprendió a imitar la PSF de HST, incluyendo la estructura del núcleo y los sutiles picos de difracción, algo que las técnicas tradicionales no logran. La energía encerrada en Neo coincide con HST con una diferencia menor al 10% una vez que se supera el 50% de la energía.

• Generalización y Aplicabilidad:

  • Neo fue capaz de generar mosaicos de super-resolución en datos del sondeo DEEP2-3 (independientes de COSMOS), demostrando que el modelo generaliza a nuevas regiones del cielo sin necesidad de imágenes de HST de referencia.
  • También se demostró la capacidad de generar imágenes de color (RGB) combinando bandas HSC (i, r, g), mostrando robustez a través de diferentes filtros.

• Propiedades del Ruido:

  • Aunque Neo recupera la profundidad de HST, introduce una mayor covarianza a nivel de píxel en el ruido (índice de ley de potencia más alto), lo cual es esperado al extrapolar información sub-píxel.

5. Contribuciones y Significancia

• Herramienta de Código Abierto: El código y los modelos entrenados de Neo se han hecho públicos, permitiendo su uso inmediato en la comunidad astronómica.
• Impacto en Grandes Sondeos: Neo es especialmente relevante para futuros sondeos masivos como LSST (Rubin Observatory), Euclid y el Telescopio Espacial Nancy Grace Roman. Permite aprovechar la inmensa cantidad de datos terrestres y mejorar su calidad morfológica a un nivel comparable al espacio, sin el costo de observaciones adicionales.
• Aplicaciones Científicas:
  • Lentes Gravitacionales Débiles: Mejora la precisión en la medición de formas de galaxias, reduciendo el ruido sistemático en estudios de materia oscura.
  • Caracterización de Objetos Tenues: Facilita la detección y análisis de galaxias de alto desplazamiento al rojo y enanas de baja superficie, recuperando estructuras finas (brazos espirales, fusiones) que de otro modo estarían borrosas.
  • Catálogos Galácticos: Permite crear catálogos unificados con parámetros morfológicos más precisos, mejorando estimaciones de redshift fotométrico y masa estelar.

6. Limitaciones y Futuro

• Limitaciones Actuales: El modelo tiene dificultades con fuentes saturadas (estrellas brillantes, AGN), lo que puede generar artefactos catastróficos. También es sensible a imágenes con sustracción de fondo incorrecta.
• Futuras Direcciones: Se planea reentrenar el modelo con datos de JWST y Roman, integrar datos multibanda (infrarrojo, radio) y explorar arquitecturas más avanzadas como modelos de difusión (diffusion models) para mejorar la fidelidad del ruido y la reconstrucción de objetos saturados.

En conclusión, Neo representa un avance significativo en el uso de aprendizaje profundo para la astrofísica, ofreciendo un puente viable y rentable entre la inmensidad de los datos terrestres y la calidad de resolución espacial necesaria para la cosmología de precisión.