Co-addition and Subtraction of Undersampled Images

Resumen Técnico: Co-adición y Sustracción de Imágenes Submuestreadas

Planteamiento del Problema
En los sondeos de imágenes astronómicas, como aquellos que buscan transitorios (supernovas, contrapartes de ondas gravitacionales), se requieren observaciones repetidas de las mismas regiones del cielo para lograr un profundo de imagen. Una parte significativa de estas imágenes, particularmente las de observatorios espaciales (por ejemplo, JWST, Roman, Spitzer) y de sondeos terrestres bajo excelentes condiciones de seeing (por ejemplo, ZTF, VRO), están "submuestreadas". Esto ocurre cuando el tamaño del píxel es demasiado grande en relación con la Función de Distribución de Punto (PSF), violando el teorema de muestreo de Nyquist-Shannon (típicamente definido como FWHM < 2 píxeles).

El submuestreo conduce al aliasing, donde los desplazamientos sub-píxel de una fuente resultan en valores de píxel idénticos, lo que hace que el registro de imágenes y los desplazamientos sub-píxel estén mal definidos. Los métodos actuales para manejar estas imágenes, como el algoritmo Drizzle o la sustracción aritmética simple, son subóptimos. A menudo no logran contabilizar las variaciones de la PSF, introducen correlaciones de ruido, requieren intervención manual para distinguir artefactos de señales reales, o sufren de inestabilidad numérica y altos costos computacionales. Estas limitaciones resultan en una reducción de la sensibilidad y un aumento en las tasas de falsas alarmas, obstaculizando la detección eficiente de fenómenos transitorios.

Metodología
Los autores proponen un nuevo método llamado Linear Undersampled Transients & Addition (LUTRA). Este enfoque proporciona un marco matemáticamente probado y óptimo para la co-adición de imágenes submuestreadas y la sustracción de fondo.

El núcleo de la metodología consiste en modelar el proceso de formación de la imagen en el dominio de Fourier. Los autores definen un modelo general donde el cielo real $T(x)$ es convolucionado con la PSF específica de la imagen $P_j$ y desplazado por una cantidad sub-píxel $\Delta_j$, luego muestreado con ruido blanco gaussiano aditivo.

• Formulación Matricial: El proceso de muestreo se expresa como un sistema lineal en el dominio de la frecuencia. Para cada índice de frecuencia $k$, el vector de datos muestreados $\vec{M}_k$ está relacionado con el vector del cielo de alta resolución $\vec{T}_k$ a través de una matriz de sistema $G_k$ (que incorpora la PSF y los desplazamientos de fase) y el ruido.
• Estadísticos Suficientes: Al aplicar el teorema de factorización de Fisher-Neyman a la función de verosimilitud, los autores derivan "estadísticos suficientes" que retienen toda la información presente en el conjunto de datos original respecto al fondo estático. Estos estadísticos son:
  1. Estadístico de Co-adición: Un resumen de las imágenes de referencia que permite el cálculo óptimo de la verosimilitud para cualquier hipótesis sin tener que reprocesar los datos brutos.
  2. Estadístico de Sustracción: Un estadístico derivado para detectar nuevas fuentes puntuales comparando un nuevo conjunto de imágenes contra el conjunto de referencia. Este estadístico utiliza los estadísticos suficientes de ambos conjuntos, permitiendo un cómputo eficiente sin cargar conjuntos de datos completos en la memoria.
  3. Estadístico de Rayos Cósmicos: Un estadístico específico para identificar artefactos de alta amplitud y agudos (rayos cósmicos) en las nuevas imágenes.

El método está diseñado para ser numéricamente estable (evitando la inversión de matrices singulares comunes en otros algoritmos de reconstrucción) y actualizable, permitiendo que se incorporen nuevas imágenes sin recomputar la solución completa.

Contribuciones Clave

1. Co-adición y Sustracción Óptima: LUTRA proporciona la primera solución matemáticamente probada y óptima para co-adicionar y restar imágenes submuestreadas, contabilizando variaciones de PSF y niveles de ruido.
2. Salida de Super-resolución: Los estadísticos derivados son vectores en el dominio de la frecuencia que pueden "desplegarse" para producir imágenes con un factor de mejora de resolución $B$ (la razón de submuestreo), logrando efectivamente la super-resolución.
3. Capacidades de Medición Directa: El método facilita mediciones óptimas y directas de fotometría y astrometría. Los autores demuestran que la estimación de flujo y la determinación precisa de la posición pueden realizarse eficientemente utilizando los estadísticos derivados.
4. Robustez ante el Ruido y Variaciones de la PSF: A diferencia de métodos anteriores, LUTRA pondera explícitamente las imágenes basándose en los niveles de ruido y maneja naturalmente imágenes con diferentes PSFs y desplazamientos.
5. Implementación de Código Abierto: Los autores proporcionan una implementación en Python de código abierto del algoritmo.

Resultados
Los autores demuestran el rendimiento de LUTRA utilizando datos públicos del Zwicky Transient Facility (ZTF).

• Relación Señal-Ruido (SNR): El método logra una SNR 1.25 veces mayor en comparación con los métodos estándar actuales (específicamente aquellos que involucran Drizzle y sustracción simple).
• Reducción de Falsas Alarmas: El análisis de los datos de eventos de ZTF indica que una proporción significativa de eventos "falsos" (bogus) ocurren en imágenes submuestreadas (aprox. 42% en total, aumentando a >54% al filtrar cerca de estrellas brillantes), mientras que los transitorios reales están menos afectados. Los autores argumentan que la aplicación de LUTRA a estas imágenes mejorará directamente la tasa de falsas alarmas.
• Validación: Se demuestra que el método reproduce los resultados para imágenes correctamente muestreadas (reduciéndose a soluciones escalares conocidas conocidas) y maneja correctamente los escenarios de muestreo entrelazado, produciendo resultados equivalentes a señales de alta resolución.

Significancia y Reivindicaciones
El artículo afirma que LUTRA resuelve el problema fundamental de la detección de transitorios en imágenes submuestreadas al proporcionar un marco óptimo, lineal y computacionalmente eficiente. La significancia radica en su capacidad para:

• Mejorar la sensibilidad de los sondeos actuales y futuros (incluyendo el Vera C. Rubin Observatory y el Telescopio Espacial Roman) donde el submuestreo es prevalente.
• Reducir la dependencia de la supervisión humana para la clasificación de transitorios al minimizar los falsos positivos causados por artefactos de submuestreo.
• Permitir mediciones precisas de fotometría y astrometría en regímenes donde los métodos tradicionales fallan o pierden información.

Los autores señalan que, si bien el trabajo actual asume imágenes alineadas sin rotación relativa, el marco está diseñado para extenderse para manejar rotaciones en futuros artículos complementarios. El método se presenta como una solución integral para sintetizar conjuntos de imágenes submuestreadas en objetos de alta resolución, abordando directamente las limitaciones de los procesos actuales en la era de la astronomía de dominio temporal a gran escala.