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

「BGRem：拡散モデルに基づく天体画像の背景ノイズ除去器」の技術的概要

問題提起
天体観測画像処理は、高い信号対雑音比（SNR）を達成するために、信号の捕捉を最大化しつつノイズ干渉を最小化するという根本的な課題に直面している。検出器上で直接 SNR を向上させることは技術的・財政的に困難であるため、カタログ構築タスクには後処理技術が不可欠である。双方向フィルタリング、ウェーブレット、ノンローカル平均法などの従来手法がしばしば用いられるが、近年の機械学習（ML）アプローチは有望な結果を示している。しかし、シミュレーションデータで訓練された ML モデルを、複雑で制御不能なノイズを含む実世界の観測データに一般化させるという重大な課題が残されている。さらに、SExtractor などの既存ツールは背景差し引き法に依存しており、ノイズの多い環境における微弱な天体の検出を完全に最適化していない可能性がある。

手法
著者らは、教師付き拡散モデルの枠組みを用いて天体画像から背景ノイズを除去するように設計された機械学習ツール「BGRem」を提案する。

• アーキテクチャ: BGRem の基盤は、Oktay ら（2018）の Attention U-Net であり、U-Net 構造にアテンション機構を組み合わせることで、最小限の計算コストで予測精度を向上させる。
• 訓練フレームワーク: 画像を破壊するためにガウスノイズを反復的に追加する標準的な去雑音拡散確率モデル（DDPM）とは異なり、BGRem は教師付き加法的汚染方式を採用する。
  • モデルは「クリーン」な天体のみ画像（$y$）と背景ノイズ（$x$）のペアで訓練される。
  • 訓練中、スケーリングされた背景ノイズの一部をクリーン画像に追加することで、ノイズ画像 $x_t$ を構築する：$x_t = y + \sigma_t \cdot x$。
  • ノイズスケール $\sigma_t$ は、高い信号領域と高いノイズ領域の間を補間するコサインベースのスケジュールによって制御される。
  • ネットワークは、DDPM で一般的に使用される平均二乗誤差（MSE）ではなく、**平均絶対誤差（MAE）**損失関数を用いてノイズ成分（$\hat{x}$）を予測するように訓練される。
• データ準備:
  • 光学データ: 訓練データは、GalSim を使用して生成された MeerLICHT 望遠鏡からのシミュレーション全視野画像で構成される。これには、空間的に変化する空の背景、検出器効果（読み出しノイズ、暗電流）、およびポアソンノイズが含まれる。画像は $256 \times 256$ のサブ画像に切り出される。
  • ガンマ線データ: 波長横断的な適用可能性をテストするため、モデルはシミュレーションされた Fermi-LAT $\gamma$線天図（1–2 GeV 範囲）で再訓練された。これらのシミュレーションには、活動銀河核（AGN）、パルサー（PSR）、および星間放射（IEM）背景が含まれる。
• 前処理と後処理: 入力画像は、ノイズを中心化し正規化するために中央値差し引きを受ける。推論中は、モデルが反復的にノイズを除去する。後処理では、負の画素値をゼロに設定し、非正規化を行う。

主な貢献

1. 新規な拡散モデルの応用: BGRem は、標準的な破壊的フォワードプロセスではなく、教師付き加法的ノイズアプローチを採用することで、天文学における背景除去のための拡散モデルの新たな応用を表している。
2. 波長横断的な適応性: この研究は、モデルが異なるノイズ特性に対して再訓練可能であることを示しており、光学（MeerLICHT）および $\gamma$線（Fermi-LAT）データの両方にこの枠組みを成功裏に適用した。
3. 既存パイプラインとの統合: 著者らは、BGRem を単独の測光ツールとしてではなく、従来の天体検出パイプライン（特に SExtractor）を強化するための前処理ステップとして位置づけている。

結果

• 光学性能（MeerLICHT）: SExtractor の前処理ステップとして使用された場合、BGRem は SExtractor 単独と比較して、真陽性の天体検出数を約**7%**増加させた。モデルは点天体を保持しつつ、背景ノイズを効果的に除去した。
• 一般化性（ゼロショット）: BGRem は、再訓練なし（ゼロショット推論）で、カナダ・フランス・ハワイ望遠鏡（CFHT）および DESI レガシーサーベイ（DECam）からの光学画像でテストされた。どちらの場合も、SExtractor のネイティブな背景除去よりも天体検出効率を向上させたが、M31 などの低表面輝度（LSB）の拡大構造をノイズと解釈して保持することに苦労した。
• ガンマ線性能: シミュレーションされた Fermi-LAT データにおいて、BGRem は IEM 背景を成功裏に除去し、標準的な手法と比較して SExtractor が正しい天体を 2 倍以上検出できるようにした。
• 特定された限界:
  • 測光バイアス: 負の画素値をゼロに設定することはバイアスを導入するため、BGRem を単独の高精度測光には不適切である。著者らは、BGRem の出力を天体検出マスクの生成のみに使用し、それを元のデータに適用してフラックスを積分することを提案している。
  • 拡大天体: 主に点天体で訓練されたモデルは、拡がった拡散構造を抑制する傾向がある。
  • ガンマ線におけるポアソンノイズ: IEM に対して効果的である一方、現在のモデルはガンマ線データにおける観測ポアソンノイズを適切に処理できず、明るい領域ではカウントの過小予測、暗い領域では過大予測を引き起こしている。

意義と主張
本論文は、BGRem が従来の画素ベースの手法における天体検出の精度を向上させることができる、堅牢で汎用的な背景除去フレームワークを提供すると主張している。拡散ベースのアプローチを光学および $\gamma$線領域の両方に成功裏に適用することで、著者らはそれがマルチ波長天体観測のための多用途な前処理ステップとしての可能性を強調している。この研究は、ASID（天体同定および検出）パイプラインへの拡散モデルの統合の概念実証として機能し、SExtractor などの確立されたツールを置き換えるのではなく補完することを目指している。著者らは謙虚なトーンを維持しており、BGRem が検出効率を向上させる一方で、表面測光を必要とするようなすべての科学的応用に適する前に、さらに最適化（例えば、ポアソンノイズの処理や拡大形態の保持など）が必要であると認めている。