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

"BGRem: 확산 모델 기반 천문 이미지 배경 잡음 제거기"의 기술적 요약

문제 제기
천문 관측 이미징은 높은 신호 대 잡음비 (SNR) 를 달성하기 위해 신호 포획을 극대화하면서 잡음 간섭을 최소화하는 근본적인 과제에 직면해 있습니다. 검출기에서 SNR 을 직접 향상시키는 것은 기술적, 재정적으로 불가능에 가깝기 때문에, 카탈로그 구축 작업에는 후처리 기술이 필수적입니다. 양측 필터링, 웨이블릿, 비국소 평균 (non-local means) 과 같은 전통적인 방법들이 자주 사용되지만, 최근의 머신러닝 (ML) 접근법들이 유망한 결과를 보여주고 있습니다. 그러나 시뮬레이션 데이터로 훈련된 ML 모델을 실제 관측 데이터에 일반화하는 데에는 여전히 큰 과제가 남아 있습니다. 실제 관측 데이터에는 복잡하고 통제되지 않은 잡음이 포함되어 있기 때문입니다. 또한 SExtractor 와 같은 기존 도구들은 배경 차감 방법에 의존하는데, 이는 잡음 환경에서 미약한 천체의 검출을 완전히 최적화하지 못할 수 있습니다.

방법론
저자들은 BGRem을 소개합니다. 이는 지도 확산 모델 (supervised diffusion model) 프레임워크를 사용하여 천문 이미지에서 배경 잡음을 제거하도록 설계된 머신러닝 도구입니다.

• 아키텍처: BGRem 의 핵심은 Attention U-Net(Oktay et al. 2018) 으로, U-Net 구조에 어텐션 메커니즘을 결합하여 최소의 계산 비용으로 예측 정확도를 향상시킵니다.
• 훈련 프레임워크: 표준적인 Denoising Diffusion Probabilistic Models(DDPM) 이 이미지를 파괴하기 위해 가우시안 잡음을 반복적으로 추가하는 것과 달리, BGRem 은 지도식 가산 오염 (supervised additive corruption) 방식을 사용합니다.
  • 모델은 "클린"한 소스 전용 이미지 ($y$) 와 배경 잡음 ($x$) 의 쌍으로 훈련됩니다.
  • 훈련 중에는 클린 이미지에 배경 잡음의 스케일링된 일부를 추가하여 잡음 있는 이미지 $x_t$를 구성합니다: $x_t = y + \sigma_t \cdot x$.
  • 잡음 스케일 $\sigma_t$는 코사인 기반 스케줄에 의해 통제되며, 높은 신호 영역과 높은 잡음 영역 사이를 보간합니다.
  • 네트워크는 DDPM 에서 일반적으로 사용되는 평균 제곱 오차 (MSE) 대신 평균 절대 오차 (MAE) 손실 함수를 사용하여 잡음 성분 ($\hat{x}$) 을 예측하도록 훈련됩니다.
• 데이터 준비:
  • 광학 데이터: 훈련 데이터는 GalSim 을 사용하여 생성된 MeerLICHT 망원경의 시뮬레이션 전장 (full-field) 이미지로 구성됩니다. 여기에는 공간적으로 변하는 하늘 배경, 검출기 효과 (판독 잡음, 암전류), 그리고 포아송 잡음이 포함됩니다. 이미지들은 $256 \times 256$ 서브 이미지로 잘립니다.
  • 감마선 데이터: 파장 간 적용 가능성을 테스트하기 위해 모델은 시뮬레이션된 Fermi-LAT $\gamma$-선 천도 지도 (1–2 GeV 범위) 로 재훈련되었습니다. 이러한 시뮬레이션에는 활동은하핵 (AGNs), 펄사 (PSRs), 그리고 성간 방출 (IEM) 배경이 포함됩니다.
• 전처리 및 후처리: 입력 이미지는 잡음을 중심에 맞추고 정규화하기 위해 중앙값 차감을 거칩니다. 추론 (inference) 동안 모델은 반복적으로 잡음을 제거합니다. 후처리 과정에서는 음수 픽셀 값을 0 으로 설정하고 역정규화를 수행합니다.

주요 기여

1. 새로운 확산 모델 적용: BGRem 은 표준적인 파괴적 순방향 과정 대신 지도식 가산 잡음 접근법을 활용하여 천문학의 배경 제거에 확산 모델을 적용한 새로운 사례입니다.
2. 파장 간 적응성: 이 연구는 모델이 서로 다른 잡음 특성에 맞게 재훈련될 수 있음을 보여주었으며, 광학 (MeerLICHT) 과 $\gamma$-선 (Fermi-LAT) 데이터 모두에 프레임워크를 성공적으로 적용했습니다.
3. 기존 파이프라인과의 통합: 저자들은 BGRem 을 독립적인 광도 측정 도구로가 아니라, 전통적인 천체 검출 파이프라인 (특히 SExtractor) 을 강화하기 위한 전처리 단계로 위치시킵니다.

결과

• 광학 성능 (MeerLICHT): SExtractor 의 전처리 단계로 사용되었을 때, BGRem 은 SExtractor 단독 사용 대비 약 **7%**만큼 참 양성 (true positive) 천체 검출 수를 증가시켰습니다. 모델은 점 천체를 보존하면서 배경 잡음을 효과적으로 제거했습니다.
• 일반화 능력 (Zero-Shot): BGRem 은 재훈련 없이 **Canada-France–Hawaii Telescope(CFHT)**와 **DESI Legacy Survey(DECam)**의 광학 이미지에서 테스트되었습니다 (Zero-shot 추론). 두 경우 모두 SExtractor 의 기본 배경 제거보다 천체 검출 효율이 향상되었으나, M31 과 같은 낮은 표면 밝기 (LSB) 의 확장 구조를 잡음으로 해석하여 보존하는 데 어려움을 겪었습니다.
• 감마선 성능: 시뮬레이션된 Fermi-LAT 데이터에서 BGRem 은 IEM 배경을 성공적으로 제거하여, SExtractor 가 표준 방법보다 두 배 이상 많은 정확한 천체를 식별할 수 있게 했습니다.
• 식별된 한계:
  • 광도 측정 편향: 음수 픽셀을 0 으로 설정하는 것은 편향을 유발하여, BGRem 을 독립적인 고정밀 광도 측정 도구로 사용하기에 부적합하게 만듭니다. 저자들은 BGRem 출력을 검출 마스크 생성에만 사용하고, 이를 원래 데이터에 적용하여 플럭스 적분을 수행할 것을 제안합니다.
  • 확장 천체: 주로 점 천체로 훈련된 모델은 확산된 확장 구조를 억제하는 경향이 있습니다.
  • 감마선의 포아송 잡음: IEM 에 효과적이기는 하지만, 현재 모델은 감마선 데이터의 관측 포아송 잡음을 적절히 처리하지 못해 밝은 영역에서는 계수 과소 예측, 어두운 영역에서는 계수 과대 예측을 초래합니다.

의의 및 주장
이 논문은 BGRem 이 전통적인 픽셀 기반 방법에서 천체 검출 정확도를 향상시킬 수 있는 견고하고 범용적인 배경 제거 프레임워크를 제공한다고 주장합니다. 광학과 $\gamma$-선 영역 모두에 확산 기반 접근법을 성공적으로 적용함으로써, 저자들은 이것이 다중 파장 천문 관측을 위한 다재다능한 전처리 단계로서의 잠재력을 강조합니다. 이 연구는 ASID(천문 천체 식별 및 검출) 파이프라인에 확산 모델을 통합하는 개념 증명 (proof-of-concept) 역할을 하며, SExtractor 와 같은 기존 도구를 대체하기보다 보완하는 것을 목표로 합니다. 저자들은 BGRem 이 검출 효율을 향상시키지만, 표면 광도 측정이 필요한 모든 과학적 응용 분야에 적합하기 전에 포아송 잡음 처리 및 확장 형태 보존과 같은 추가 최적화가 필요하다는 점을 인정하며 겸손한 어조를 유지합니다.