🔭 astrophysics

Optimal mitigation of random telegraph noise for improved photometry at high frame rates

Este artículo evalúa los niveles de ruido telegráfico aleatorio (RTN) en tres sensores CMOS astronómicos y demuestra que un nuevo algoritmo para corregir saltos de RTN supera al enmascaramiento tradicional de píxeles, particularmente para fuentes submuestreadas o cuando los niveles de ruido son comparables, permitiendo así una fotometría de alta tasa de cuadros más precisa.

Autores originales: Christopher Layden, Daniel-Rolf Harbeck, Tejus Deo-Dixit, Nathan Lourie, Gabor Furesz, Kevin Burdge

Publicado 2026-05-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Christopher Layden, Daniel-Rolf Harbeck, Tejus Deo-Dixit, Nathan Lourie, Gabor Furesz, Kevin Burdge

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Problema: El Ruido "Palomitas de Maíz" en los Ojos Digitales

Imagina que estás intentando escuchar un susurro muy quieto en una habitación. De repente, alguien empieza a hacer palomitas de maíz en la esquina. Pop. Pop. Pop. A veces los estallidos son fuertes; a veces son suaves. No puedes distinguir si un sonido es el susurro que buscas o simplemente un trozo de palomita golpeando el suelo.

En el mundo de la astronomía, las cámaras (específicamente los sensores CMOS) son los "oídos" que escuchan la luz tenue de las estrellas distantes. Sin embargo, estas cámaras sufren de un fallo llamado Ruido de Telégrafo Aleatorio (RTN). Los autores llaman a esto "ruido de palomitas de maíz" o "ruido de sal y pimienta".

Dentro de los diminutos transistores de la cámara, los electrones quedan atrapados o son liberados por pequeñas trampas, lo que hace que la lectura del píxel salte repentinamente hacia arriba o hacia abajo. Esto no es una estrella real volviéndose más brillante o más tenue; es simplemente la cámara fallando. Este ruido dificulta ver objetos tenues, especialmente cuando la cámara lee imágenes muy rápidamente (altas tasas de fotogramas).

La Investigación: Probando Tres Cámaras

Los investigadores probaron tres tipos diferentes de sensores de cámara utilizados en telescopios:

Sony IMX455: Un sensor de alta resolución utilizado en muchos telescopios modernos.
Gpixel GSENSE400: Un sensor con píxeles más grandes, a menudo utilizado como una actualización para cámaras más antiguas.
Fairchild Imaging HWK4123: Un sensor super sensible diseñado para contar fotones individuales (partículas de luz).

Descubrieron que los tres tenían este ruido de "palomitas de maíz", pero el Sony IMX455 tenía el peor. En esta cámara, el ruido era tan malo que aumentó el "ruido estático" general (ruido de lectura) de la imagen en más de un 20%. Las otras dos cámaras tenían el ruido, pero era mucho más suave.

La Vieja Solución vs. La Nueva Solución

Cuando los astrónomos notaban que un píxel estaba fallando, solían simplemente enmascararlo.

La Analogía del Enmascaramiento: Imagina que estás mirando un cuadro, pero hay una mancha en el cristal frente a un punto específico. La vieja forma era poner una pegatina negra sobre ese punto para que no pudieras ver la mancha. Pierdes esa parte de la imagen, pero el resto se ve limpio.
El Problema: Si la mancha está justo en el medio de una estrella que estás tratando de estudiar, poner una pegatina negra sobre ella arruina tu medición. Pierdes datos.

Los autores desarrollaron un nuevo algoritmo (un programa informático inteligente) para solucionar esto.

La Analogía de la Nueva Solución: En lugar de poner una pegatina sobre la mancha, el programa actúa como un detective. Examina la historia de ese píxel específico. Sabe: "Este píxel suele estar en el nivel 100, pero a veces salta a 110 o 90". Cuando ve un salto, dice: "¡Ah, eso es solo ruido de palomitas de maíz!" y empuja suavemente el número de vuelta a donde debería estar. Corrige el fallo sin borrar los datos.

Lo Que Encontraron

Los investigadores probaron este nuevo programa "detective" en imágenes reales de estrellas e incluso en un evento raro donde un asteroide bloqueó la luz de una estrella (una ocultación).

Mejor Claridad: Para estrellas tenues, el nuevo programa mejoró la claridad de los datos en más de un 5% en promedio. Eso puede sonar pequeño, pero en astronomía, es como convertir una foto borrosa en una nítida.
Cuando el Enmascaramiento Falla: El viejo método de "pegatina" (enmascaramiento) funcionaba bien en algunos casos, pero cuando un píxel defectuoso estaba justo en el centro de una estrella, el enmascaramiento en realidad empeoraba los datos. El nuevo programa corrigió el fallo sin perder la luz de la estrella.
La Prueba de la Ocultación: En la prueba del asteroide, los píxeles defectuosos hicieron accidentalmente que el asteroide pareciera que bloqueaba más luz de la que realmente bloqueaba. El nuevo programa corrigió esto, proporcionando una medición mucho más precisa del tamaño del asteroide.

La Conclusión

Los autores han hecho que su software sea gratuito y abierto para todos. Permite a los astrónomos:

Identificar qué píxeles en sus cámaras son "defectuosos".
Corregir los fallos en tiempo real o después de ocurrido.
Obtener mediciones más claras y precisas del universo sin desechar ningún dato.

En resumen, enseñaron a las cámaras a ignorar su propio ruido de "palomitas de maíz", permitiéndonos escuchar los susurros más quietos de las estrellas con mayor claridad.

Resumen Técnico: Mitigación Óptima del Ruido de Telégrafo Aleatorio para Mejorar la Fotometría a Altas Tasas de Muestreo

Enunciado del Problema
El Ruido de Telégrafo Aleatorio (RTN), también conocido como ruido "sal y pimienta" o de palomitas de maíz, es una fuente significativa de ruido de lectura en los sensores de imagen de Semiconductores de Óxido Metálico Complementario (CMOS) utilizados en astronomía. Aunque los sensores CMOS científicos (sCMOS) ofrecen generalmente un ruido de lectura inferior al de los Dispositivos de Carga Acoplada (CCD) tradicionales, la presencia de RTN degrada esta ventaja, particularmente en aplicaciones de alta tasa de muestreo y bajo flujo. El RTN surge de la captura y liberación de electrones por trampas de portadores cerca de la interfaz Si/SiO2 en los transistores seguidores de fuente. En los píxeles con RTN, el nivel de polarización fluctúa entre estados discretos, creando una cola larga en la distribución del ruido de lectura. Esto aumenta significativamente el ruido de lectura de la Raíz Cuadrática Media (RMS), incluso si el ruido de lectura mediano permanece bajo, reduciendo así la Relación Señal-Ruido (SNR) para fuentes tenues. Las estrategias de mitigación existentes, como el enmascaramiento de píxeles defectuosos o la aplicación de filtros medianos simples, a menudo no tienen en cuenta las distribuciones específicas de nivel de polarización de los píxeles individuales, pueden degradar la precisión fotométrica cuando la Función de Dispersión de Punto (PSF) está submuestreada, o pueden introducir sesgos sistemáticos.

Metodología
Los autores investigaron tres sensores CMOS comercialmente disponibles utilizados en instrumentos astronómicos: el Sony IMX455 (en cámaras QHY600M), el Gpixel GSENSE400 (en cámaras QHY42) y el Fairchild Imaging HWK4123 (en cámaras Hamamatsu ORCA-Quest 2).

Caracterización: El equipo recopiló miles de cuadros de polarización para medir el ruido de lectura e identificar píxeles con RTN. Utilizaron una prueba de normalidad de Anderson-Darling para detectar distribuciones de polarización no gaussianas. Para los píxeles que fallaron esta prueba, ajustaron un modelo de triple gaussiana para caracterizar la distribución del nivel de polarización, extrayendo parámetros para la gaussiana central (media $\mu_b$ , desviación estándar $\sigma_r$ ) y los picos laterales que representan los saltos de RTN (amplitudes $B_1, B_2$ , y espaciado de salto $d$ ).
Algoritmo de Corrección: Se desarrolló un nuevo algoritmo basado en Python para identificar y corregir saltos de RTN píxel por píxel y cuadro por cuadro.
- Generación de Referencia: El algoritmo estima el nivel de señal esperado para un píxel utilizando ya sea la mediana temporal (para datos de series temporales) o la mediana espacial (para cuadros individuales), ajustado a los parámetros de polarización específicos del píxel.
- Identificación de Saltos: Utilizando una función de densidad acumulada (CDF) Poisson-Gaussiana, el algoritmo calcula umbrales de significancia ( $\alpha = 0.003$ ) para determinar si la señal de un píxel se desvía significativamente de la gaussiana central esperada, teniendo en cuenta la asimetría derecha inherente de las estadísticas Poisson.
- Corrección: Si se identifica un salto, la señal se desplaza por la magnitud del salto $d$ (convertida a electrones). El algoritmo incluye un paso de corrección de polarización para evitar la inflación artificial de los valores de flujo promedio causada por la corrección asimétrica de saltos positivos frente a negativos.
Validación: Los autores compararon su algoritmo contra una estrategia simple de "enmascaramiento" (tratando los píxeles con RTN como defectuosos) utilizando simulaciones de Monte Carlo y observaciones astronómicas reales. Las pruebas en el mundo real incluyeron fotometría de campos estelares y un evento de ocultación de un asteroide observado con la red de pequeños telescopios del Observatorio Las Cumbres (LCO).

Contribuciones Clave

Cuantificación del Impacto del RTN: El estudio cuantifica la contribución del RTN al piso total de ruido de lectura. Para el Sony IMX455, el RTN aumenta el ruido de lectura RMS en $\gtrsim 20\%$ . Para el GSENSE400 y el HWK4123, los aumentos son menores ( $\gtrsim 4\%$ y $\gtrsim 2.5\%$ , respectivamente), aunque siguen siendo relevantes para aplicaciones de ruido ultra bajo.
Desarrollo de Algoritmos: Los autores presentan un algoritmo de corrección robusto, píxel por píxel, que se adapta a la distribución específica del nivel de polarización de cada píxel con RTN y al flujo de fotones local, evitando las trampas de los métodos de umbral fijo.
Análisis Comparativo: El artículo proporciona una comparación detallada entre el algoritmo de corrección propuesto y el enmascaramiento de píxeles, demostrando que el algoritmo supera al enmascaramiento, particularmente cuando la PSF está submuestreada, los píxeles enmascarados están cerca del centro de la fuente, o el ruido de lectura es comparable al ruido de disparo.
Software de Código Abierto: Los autores lanzaron el paquete de software RTN-Corrector, que incluye scripts para identificar píxeles con RTN (rtn_fitter) y aplicar correcciones (rtn_fixer), haciendo estas técnicas accesibles a la comunidad astronómica.

Resultados

Simulación: Las simulaciones de Monte Carlo mostraron que el algoritmo de corrección mejoró consistentemente la SNR en comparación con el enmascaramiento. Se encontró que el enmascaramiento degradaba la SNR en casos donde los píxeles con RTN caían cerca del núcleo de una fuente, especialmente para PSF submuestreadas.
Fotometría Estelar: En observaciones de un campo estelar utilizando el IMX455, tanto el algoritmo de corrección como el enmascaramiento mejoraron la SNR de las curvas de luz en un promedio de $>5\%$ para fuentes tenues ( $< 3 e^-$ /pix/cuadro). El algoritmo de corrección mostró una menor varianza en el rendimiento y mantuvo la precisión fotométrica absoluta, mientras que el enmascaramiento tendía a subestimar el brillo.
Ocultación de Asteroide: Durante una ocultación del asteroide troyano Anchises, el algoritmo de corrección redujo los residuos RMS del ajuste de la curva de luz en $\approx 7\%$ y corrigió una sobreestimación sistemática de la profundidad de la ocultación causada por un desequilibrio de saltos de RTN negativos durante el evento.
Especificidades del Sensor: El estudio notó que el IMX455 exhibió distribuciones de RTN simétricas (saltos tanto positivos como negativos), mientras que el GSENSE400 y el HWK4123 mostraron distribuciones altamente asimétricas (principalmente saltos positivos) y magnitudes de salto más pequeñas. El diseño de ultra baja capacitancia del HWK4123 resultó en saltos de RTN menores que un solo fotoelectrón en muchos casos, limitando la eficacia de la corrección posterior al procesamiento para ese sensor específico.

Significado y Afirmaciones
El artículo afirma que mitigar el RTN es esencial para realizar el potencial completo de los sensores sCMOS, particularmente para la fotometría de alta velocidad y la observación de objetos tenues donde domina el ruido de lectura. Los autores afirman que su algoritmo proporciona un método confiable para recuperar la precisión fotométrica que de otro modo se perdería por el RTN, ofreciendo una alternativa superior al simple enmascaramiento de píxeles. Subrayan que, aunque el enmascaramiento es efectivo en regímenes específicos (PSF bien muestreadas, dominadas por ruido de lectura), el algoritmo de corrección ofrece mejoras más consistentes en una gama más amplia de condiciones, incluidas PSF submuestreadas y brillo de fuente variable. El trabajo se presenta como una herramienta práctica para los astrónomos que utilizan detectores con RTN, ofreciendo un impulso inmediato en la calidad de los datos sin requerir cambios de hardware. Los autores también señalan que la mitigación del RTN es particularmente relevante para los telescopios espaciales, donde se sabe que el daño por radiación aumenta la prevalencia del RTN.