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

Sintesi Tecnica di "BGRem: Un rimuovi-rumore di fondo per immagini astronomiche basato su un modello di diffusione"

Enunciato del Problema
L'imaging astronomico affronta una sfida fondamentale: massimizzare la cattura del segnale minimizzando l'interferenza del rumore per raggiungere un alto rapporto segnale-rumore (SNR). Sebbene migliorare l'SNR direttamente sui rivelatori sia tecnicamente e finanziariamente proibitivo, le tecniche di post-elaborazione sono essenziali per le attività di costruzione di cataloghi. Metodi tradizionali, come il filtraggio bilaterale, le wavelet e la media non locale, sono spesso utilizzati, ma recenti approcci di apprendimento automatico (ML) hanno mostrato promesse. Tuttavia, rimane una sfida significativa nel generalizzare i modelli ML addestrati su dati simulati alle osservazioni reali, che contengono rumore complesso e non controllato. Inoltre, strumenti esistenti come SExtractor si basano su metodi di sottrazione dello sfondo che potrebbero non ottimizzare pienamente il rilevamento di sorgenti deboli in ambienti rumorosi.

Metodologia
Gli autori introducono BGRem, uno strumento di apprendimento automatico progettato per rimuovere il rumore di fondo dalle immagini astronomiche utilizzando un framework di modello di diffusione supervisionato.

• Architettura: La spina dorsale di BGRem è una Attention U-Net (Oktay et al. 2018), che combina la struttura U-Net con meccanismi di attenzione per migliorare l'accuratezza delle previsioni con un costo computazionale minimo.
• Framework di Addestramento: A differenza dei modelli probabilistici di diffusione per la rimozione del rumore standard (DDPM) che aggiungono iterativamente rumore gaussiano per distruggere un'immagine, BGRem impiega uno schema di corruzione additiva supervisionata.
  • Il modello è addestrato su coppie di immagini "pulite" contenenti solo la sorgente ($y$) e rumore di fondo ($x$).
  • Durante l'addestramento, un'immagine rumorosa $x_t$ viene costruita aggiungendo una porzione scalata del rumore di fondo all'immagine pulita: $x_t = y + \sigma_t \cdot x$.
  • La scala del rumore $\sigma_t$ è governata da un programma basato sul coseno, che interpola tra regimi ad alto segnale e ad alto rumore.
  • La rete è addestrata per prevedere il componente di rumore ($\hat{x}$) utilizzando una funzione di perdita Errore Assoluto Medio (MAE), piuttosto che l'Errore Quadratico Medio (MSE) tipicamente usato nei DDPM.
• Preparazione dei Dati:
  • Dati Ottici: I dati di addestramento consistono in immagini simulate a campo completo dal telescopio MeerLICHT, generate utilizzando GalSim. Queste includono sfondi celesti variabili spazialmente, effetti del rivelatore (rumore di lettura, corrente di buio) e rumore di Poisson. Le immagini vengono ritagliate in sottoreti $256 \times 256$.
  • Dati a Raggi Gamma: Per testare l'applicabilità tra lunghezze d'onda diverse, il modello è stato riaddestrato su mappe celesti simulate di raggi $\gamma$ Fermi-LAT (intervallo 1–2 GeV). Queste simulazioni includono Nuclei Galattici Attivi (AGN), Pulsar (PSR) e lo sfondo di Emissione Interstellare (IEM).
• Pre- e Post-Elaborazione: Le immagini in ingresso subiscono una sottrazione della mediana per centrare il rumore e una normalizzazione. Durante l'inferenza, il modello rimuove iterativamente il rumore. La post-elaborazione comporta l'impostazione dei valori dei pixel negativi a zero e la denormalizzazione.

Contributi Chiave

1. Nuova Applicazione della Diffusione: BGRem rappresenta una nuova applicazione dei modelli di diffusione per la rimozione dello sfondo in astronomia, utilizzando un approccio di rumore additivo supervisionato invece del processo distruttivo in avanti standard.
2. Adattabilità tra Lunghezze d'Onda: Lo studio dimostra la capacità del modello di essere riaddestrato per caratteristiche di rumore distinte, applicando con successo il framework sia ai dati ottici (MeerLICHT) che ai dati a raggi $\gamma$ (Fermi-LAT).
3. Integrazione con Pipeline Esistenti: Gli autori posizionano BGRem non come uno strumento di fotometria autonomo, ma come un passaggio di pre-elaborazione per migliorare le pipeline tradizionali di rilevamento delle sorgenti (in particolare SExtractor).

Risultati

• Prestazioni Ottiche (MeerLICHT): Quando utilizzato come passaggio di pre-elaborazione per SExtractor, BGRem ha aumentato il numero di rilevamenti di sorgenti veri positivi di circa il 7% rispetto all'uso di SExtractor da solo. Il modello ha rimosso efficacemente il rumore di fondo preservando le sorgenti puntiformi.
• Generalizzabilità (Zero-Shot): BGRem è stato testato su immagini ottiche del Canada-France–Hawaii Telescope (CFHT) e del DESI Legacy Survey (DECam) senza riaddestramento (inferenza zero-shot). In entrambi i casi, ha migliorato l'efficienza di rilevamento delle sorgenti rispetto alla rimozione dello sfondo nativa di SExtractor, sebbene abbia faticato a preservare strutture estese a bassa luminosità superficiale (LSB) (ad es. M31), interpretandole come rumore.
• Prestazioni a Raggi Gamma: Su dati simulati Fermi-LAT, BGRem ha rimosso con successo lo sfondo IEM, permettendo a SExtractor di identificare più del doppio del numero di sorgenti corrette rispetto al metodo standard.
• Limitazioni Identificate:
  • Bias Fotometrico: Impostare i pixel negativi a zero introduce un bias, rendendo BGRem inadatto per la fotometria ad alta precisione autonoma. Gli autori propongono di utilizzare gli output di BGRem esclusivamente per generare maschere di rilevamento, che vengono poi applicate ai dati originali per l'integrazione del flusso.
  • Sorgenti Estese: Il modello, addestrato principalmente su sorgenti puntiformi, tende a sopprimere strutture diffuse ed estese.
  • Rumore di Poisson nei raggi $\gamma$: Sebbene efficace contro l'IEM, l'attuale modello non riesce a gestire correttamente il rumore osservativo di Poisson nei dati a raggi $\gamma$, portando a una sottostima dei conteggi nelle zone luminose e a una sovrastima nelle zone deboli.

Significato e Affermazioni
Il documento afferma che BGRem offre un framework robusto e generico per la rimozione dello sfondo che può migliorare l'accuratezza del rilevamento delle sorgenti nei metodi tradizionali basati sui pixel. Applicando con successo un approccio basato sulla diffusione sia al dominio ottico che a quello dei raggi $\gamma$, gli autori ne evidenziano il potenziale come passaggio di pre-elaborazione versatile per i sondaggi astronomici multi-lunghezza d'onda. Il lavoro funge da prova di concetto per l'integrazione dei modelli di diffusione nella pipeline ASID (Identificazione e Rilevamento di Sorgenti Astronomiche), con l'obiettivo di complementare piuttosto che sostituire strumenti consolidati come SExtractor. Gli autori mantengono un tono modesto, riconoscendo che, sebbene BGRem migliori l'efficienza di rilevamento, richiede attualmente ulteriori ottimizzazioni (ad es. gestione del rumore di Poisson e preservazione della morfologia estesa) prima di essere adatto a tutte le applicazioni scientifiche, in particolare quelle che richiedono fotometria superficiale.