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

Résumé technique de "BGRem : Un éliminateur de bruit de fond pour les images astronomiques basé sur un modèle de diffusion"

Énoncé du problème
L'imagerie astronomique fait face à un défi fondamental : maximiser la capture du signal tout en minimisant les interférences de bruit pour atteindre un rapport signal sur bruit (SNR) élevé. Bien que l'amélioration directe du SNR sur les détecteurs soit techniquement et financièrement prohibitive, les techniques de post-traitement sont essentielles pour les tâches de constitution de catalogues. Les méthodes traditionnelles, telles que le filtrage bilatéral, les ondelettes et les moyennes non locales, sont souvent utilisées, mais les approches récentes d'apprentissage automatique (ML) ont montré des promesses. Cependant, un défi majeur subsiste dans la généralisation des modèles ML entraînés sur des données simulées aux observations réelles, qui contiennent un bruit complexe et incontrôlé. De plus, les outils existants comme SExtractor reposent sur des méthodes de soustraction de fond qui peuvent ne pas optimiser pleinement la détection de sources faibles dans des environnements bruyants.

Méthodologie
Les auteurs présentent BGRem, un outil d'apprentissage automatique conçu pour éliminer le bruit de fond des images astronomiques en utilisant un cadre de modèle de diffusion supervisé.

• Architecture : La colonne vertébrale de BGRem est un Attention U-Net (Oktay et al. 2018), qui combine la structure U-Net avec des mécanismes d'attention pour améliorer la précision des prédictions avec un coût computationnel minimal.
• Cadre d'entraînement : Contrairement aux modèles probabilistes de diffusion de débruitage (DDPM) standards qui ajoutent itérativement du bruit gaussien pour détruire une image, BGRem emploie un schéma de corruption additive supervisée.
  • Le modèle est entraîné sur des paires d'images de sources "propres" uniquement ($y$) et de bruit de fond ($x$).
  • Pendant l'entraînement, une image bruitée $x_t$ est construite en ajoutant une portion mise à l'échelle du bruit de fond à l'image propre : $x_t = y + \sigma_t \cdot x$.
  • L'échelle du bruit $\sigma_t$ est régie par un calendrier basé sur une fonction cosinus, interpolant entre les régimes de signal élevé et de bruit élevé.
  • Le réseau est entraîné pour prédire le composant de bruit ($\hat{x}$) en utilisant une fonction de perte Erreur Absolue Moyenne (MAE), plutôt que l'Erreur Quadratique Moyenne (MSE) généralement utilisée dans les DDPM.
• Préparation des données :
  • Données optiques : Les données d'entraînement consistent en des images simulées de champ complet du télescope MeerLICHT, générées à l'aide de GalSim. Celles-ci incluent des fonds de ciel variant spatialement, des effets de détecteur (bruit de lecture, courant d'obscurité) et du bruit de Poisson. Les images sont découpées en sous-images de $256 \times 256$.
  • Données gamma : Pour tester l'applicabilité inter-longueurs d'onde, le modèle a été réentraîné sur des cartes du ciel simulées Fermi-LAT en rayons $\gamma$ (plage 1–2 GeV). Ces simulations incluent des Noyaux Actifs de Galaxies (AGN), des Pulsars (PSR) et le fond d'émission interstellaire (IEM).
• Pré- et post-traitement : Les images d'entrée subissent une soustraction médiane pour centrer le bruit et une normalisation. Lors de l'inférence, le modèle élimine le bruit de manière itérative. Le post-traitement consiste à mettre les valeurs de pixels négatives à zéro et à effectuer une dénormalisation.

Contributions clés

1. Application novatrice de la diffusion : BGRem représente une application novatrice des modèles de diffusion pour l'élimination du fond en astronomie, utilisant une approche de bruit additif supervisé plutôt que le processus destructif standard.
2. Adaptabilité inter-longueurs d'onde : L'étude démontre la capacité du modèle à être réentraîné pour des caractéristiques de bruit distinctes, appliquant avec succès le cadre à la fois aux données optiques (MeerLICHT) et aux données en rayons $\gamma$ (Fermi-LAT).
3. Intégration avec les pipelines existants : Les auteurs positionnent BGRem non pas comme un outil de photométrie autonome, mais comme une étape de prétraitement pour améliorer les pipelines traditionnels de détection de sources (spécifiquement SExtractor).

Résultats

• Performance optique (MeerLICHT) : Utilisé comme étape de prétraitement pour SExtractor, BGRem a augmenté le nombre de détections de sources vraies positives d'environ 7 % par rapport à l'utilisation de SExtractor seul. Le modèle a efficacement éliminé le bruit de fond tout en préservant les sources ponctuelles.
• Généralisabilité (Zero-Shot) : BGRem a été testé sur des images optiques du télescope Canada-France-Hawaii (CFHT) et de l'enquête DESI Legacy Survey (DECam) sans réentraînement (inférence zero-shot). Dans les deux cas, il a amélioré l'efficacité de détection des sources par rapport à l'élimination de bruit native de SExtractor, bien qu'il ait eu du mal à préserver les structures étendues de faible brillance de surface (LSB) (par exemple, M31), les interprétant comme du bruit.
• Performance en rayons gamma : Sur des données simulées Fermi-LAT, BGRem a réussi à éliminer le fond IEM, permettant à SExtractor d'identifier plus du double du nombre de sources correctes par rapport à la méthode standard.
• Limites identifiées :
  • Biais photométrique : La mise à zéro des pixels négatifs introduit un biais, rendant BGRem inadapté à la photométrie de haute précision autonome. Les auteurs proposent d'utiliser les sorties de BGRem uniquement pour générer des masques de détection, qui sont ensuite appliqués aux données originales pour l'intégration du flux.
  • Sources étendues : Le modèle, entraîné principalement sur des sources ponctuelles, a tendance à supprimer les structures étendues et diffuses.
  • Bruit de Poisson en rayons gamma : Bien qu'efficace contre l'IEM, le modèle actuel échoue à gérer correctement le bruit de Poisson observationnel dans les données en rayons gamma, conduisant à une sous-prédiction des comptes dans les zones brillantes et à une sur-prédiction dans les zones faibles.

Signification et revendications
L'article revendique que BGRem offre un cadre robuste et polyvalent pour l'élimination du fond, capable d'améliorer la précision de la détection de sources dans les méthodes traditionnelles basées sur les pixels. En appliquant avec succès une approche basée sur la diffusion aux domaines optiques et en rayons $\gamma$, les auteurs soulignent son potentiel en tant qu'étape de prétraitement polyvalente pour les relevés astronomiques multi-longueurs d'onde. Ce travail sert de preuve de concept pour l'intégration des modèles de diffusion dans le pipeline ASID (Astronomical Source Identification and Detection), visant à compléter plutôt qu'à remplacer des outils établis comme SExtractor. Les auteurs maintiennent un ton modeste, reconnaissant que si BGRem améliore l'efficacité de détection, il nécessite actuellement une optimisation supplémentaire (par exemple, la gestion du bruit de Poisson et la préservation de la morphologie étendue) avant d'être adapté à toutes les applications scientifiques, en particulier celles nécessitant une photométrie de surface.