🔭 astrophysics

Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising

본 논문은 JWST와 스바루와 같은 망원경의 심층 영상 데이터에서 더 희미한 은하와 낮은 표면 밝기 구조를 발견할 수 있도록 여러 노출 간의 시공간 상관관계를 활용하여 천문학적 탐지 한계를 크게 향상시키는 자기지도형 트랜스포머 기반 알고리즘인 ASTERIS를 소개합니다.

원저자: Yuduo Guo, Hao Zhang, Mingyu Li, Fujiang Yu, Yunjing Wu, Yuhan Hao, Song Huang, Yongming Liang, Xiaojing Lin, Xinyang Li, Jiamin Wu, Zheng Cai, Qionghai Dai

게시일 2026-05-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yuduo Guo, Hao Zhang, Mingyu Li, Fujiang Yu, Yunjing Wu, Yuhan Hao, Song Huang, Yongming Liang, Xiaojing Lin, Xinyang Li, Jiamin Wu, Zheng Cai, Qionghai Dai

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

혼잡한 경기장에서 작고 미세한 속삭임 하나를 듣는다고 상상해 보세요. 관중들의 수다소리는 '잡음'이고, 그 속삭임은 멀고 고대 은하에서 오는 희미한 빛입니다. 수십 년 동안 천문학자들은 단순히 관중들에게 조용히 해달라고 요청하거나 경기장을 더 오래 녹음함으로써 이러한 속삭임들을 들으려 노력해 왔습니다. 하지만 때로는 잡음이 단순히 무작위적인 수다소리가 아니라, 방해가 되는 복잡하고 소용돌이치는 패턴이기도 합니다.

이 논문은 이전보다 이러한 속삭임을 훨씬 더 잘 듣도록 설계된 ASTERIS라는 새로운 도구를 소개합니다. ASTERIS는 지능형 컴퓨터 프로그램으로, 그 작동 원리는 다음과 같이 간단히 설명됩니다.

문제: 사진 속의 '정적'

제임스 웹 우주 망원경 (JWST) 과 같은 망원경이 우주의 사진을 찍을 때, 단순히 한 장의 사진만 찍는 것이 아닙니다. 같은 장소를 여러 번 촬영한 후 이를 서로 겹쳐 쌓습니다. 마치 투시지를 여러 장 겹쳐 쌓는 것과 같습니다. 이를 '합성 (co-addition)'이라고 합니다.

움직이는 자동차의 흐릿한 사진을 찍는다고 생각해 보세요. 10 장의 사진을 찍어 겹쳐 쌓으면 자동차는 더 선명해지지만, 배경의 정적 (잡음) 도 약간 더 선명해집니다. 보통 천문학자들은 이 정적이 TV 화면의 무작위적인 '눈송이' 같은 것이라고 가정합니다. 하지만 실제로는 정적이 종종 '구조화'되어 있어, 연못의 물결이나 엔진의 윙윙거림과 같은 패턴을 가지고 있습니다. 전통적인 합성 방법은 모든 픽셀이 서로 독립적이라고 가정하기 때문에 이러한 구조화된 잡음을 해결할 수 없습니다.

해결책: ASTERIS (시간을 여행하는 탐정)

저자들은 ASTERIS를 개발했는데, 이는 Astronomical Self-supervised Transformer-based Enhanced Reduction of Image Static(이미지 정적의 지능형 자기지도 학습 기반 강화 감소를 위한 천문학적 도구) 의 약자로, 지능형 잡음 제거기를 위한 화려한 이름입니다.

ASTERIS는 단순히 사진을 겹쳐 쌓는 대신, 약간 다른 각도와 시간대에서 같은 장면을 바라보는 탐정처럼 행동합니다.

비유: 관중 속에서 특정 사람을 찾으려 한다고 상상해 보세요. 1 초의 간격으로 찍은 관중의 사진이 8 장 있습니다. 모든 사진에서 관중은 약간씩 움직이지만, 당신이 찾고 있는 사람은 같은 자리에 머물러 있습니다.
작동 원리: ASTERIS는 이 8 장의 사진을 함께 살펴봅니다. 그것은 '사람'(실제 은하) 은 일관되게 유지되는 반면, '관중의 움직임'(잡음) 은 특정하고 예측 가능한 방식으로 변한다는 것을 학습합니다. 이는 현대 채팅봇의 기술과 유사한 특수한 유형의 인공지능 ('Transformer') 을 사용하여 잡음이 어떤 모습인지 정확히 파악하고 이를 제거하여 은하를 수정처럼 선명하게 남깁니다.

'자기지도 학습'의 마법

보통 컴퓨터에게 잡음을 제거하는 법을 가르치려면, 정답이 어떻게 보여야 하는지 보여줄 '깨끗한' 사진이 필요합니다. 하지만 천문학에서는 깊고 희미한 은하의 깨끗한 사진을 결코 가지고 있지 않습니다. 그것이 바로 우리가 처음에 사진을 찍는 이유입니다!

ASTERIS는 자기지도 학습 (self-supervised) 방식입니다. 스스로 가르칩니다.

비유: 각각 8 장씩으로 구성된 두 그룹의 사진이 있다고 가정해 보세요. 컴퓨터에게 "A 그룹을 사용해 실제 이미지가 어떻게 생겼는지 추측하고, 그 추측을 B 그룹과 비교해 보라"고 말합니다. 실제 은하는 두 그룹 모두에 있지만 잡음은 다르기 때문에, 컴퓨터는 잡음을 무시하고 은하를 유지하는 법을 학습합니다. 그것은 완벽한 '정답 키'가 필요하지 않으며, 다른 사진들과 자신의 작업을 비교함으로써 스스로 찾아냅니다.

그들이 발견한 것

이 팀은 JWST 와 하와이 산에 있는 거대 망원경인 스바루 망원경의 실제 데이터를 가지고 이를 테스트했습니다.

보이지 않는 것 보기: 그들은 ASTERIS가 이전에 보이지 않았던 은하들을 볼 수 있음을 발견했습니다. 이는 '탐지 한계'를 약 1.0 등급만큼 개선했습니다. 천문학에서 이는 매우 큰 일입니다. 마치 촛불을 두 배 더 멀리서 볼 수 있게 되는 것과 같습니다.
더 많은 은하, 더 적은 실수: 그들이 우주가 아기였을 때의 가장 오래되고 먼 은하들을 찾았을 때, ASTERIS는 이전 방법들보다 세 배 더 많은 후보들을 발견했습니다.
흐림 없음: 일부 구식 방법들은 잡음을 부드럽게 만들지만 사진도 흐리게 만들어 별들을 흐릿한 덩어리처럼 보이게 했습니다. ASTERIS는 이미지를 선명하게 유지하여 은하의 실제 모양을 보존했습니다.
현실 세계의 증명: 그들은 가짜 데이터로만 테스트한 것이 아닙니다. 매우 깊은 하늘 영역인 'JADES Origins Field'에 이를 적용했습니다. 그들은 정적 속에 숨어 있던 희미하고 붉은 은하들을 발견했습니다. 이들 중 하나의 은하는 너무 멀리 있어 (적색편이 약 17) 빛이 130 억 년 이상 이동해 왔습니다.

왜 이것이 중요한가

이는 단순히 더 아름다운 사진을 만드는 것에 관한 것이 아닙니다. 이미지를 흐리게 하지 않고 잡음을 제거함으로써 ASTERIS는 천문학자들이 다음과 같은 일을 할 수 있게 합니다.

더 많은 망원경 시간을 기다리지 않고도 더 희미한 물체들을 볼 수 있습니다.
빅뱅 이후 형성된 최초의 은하들을 훨씬 더 큰 확신으로 연구할 수 있습니다.
실제 희미한 은하와 카메라의 무작위 오류를 구별할 수 있습니다.

간단히 말해, ASTERIS는 천문학자들에게 우주의 '정적'을 걸러내는 안경을 제공하여, 그들이 마침내 우주 초기 순간들의 희미한 속삭임을 들을 수 있게 해줍니다.

기술 요약: 자기지도 학습 시공간 잡음 제거를 활용한 천문 영상에서의 더 깊은 탐지 한계

문제 제기

관측 천문학에서의 탐지 한계는 기기 판독 잡음, 하늘 배경, 광자 통계 등을 포함한 잡음 원천에 의해 근본적으로 제한받습니다. 하드웨어의 발전 (예: 더 큰 구경) 은 신호 대 잡음비 (S/N) 를 향상시키지만, 황도 방출, 은하 전경, 대기 산란에서 비롯된 상관 배경 잡음을 보정할 수는 없습니다.

전통적인 소프트웨어 접근법은 다음과 같은 중대한 한계에 직면해 있습니다:

합성 (Stacking): 픽셀 단위 잡음이 독립적이고 동일하게 분포 (i.i.d.) 하는 경우에만 다중 노출을 평균화함으로써 S/N 을 $\sqrt{M}$ 배만큼 향상시킵니다. 그러나 실제로는 점확산함수 (PSF), 구조화된 배경 방출, 기기 효과로 인해 잡음이 종종 상관되어 있어, 심층 탐사에서는 체감하는 효과가 감소합니다.
평활화 (Smoothing): 커널과의 컨볼루션은 고주파 잡음을 억제하지만 공간 분해능을 저하시킵니다.
지도 학습 딥러닝: 잡음이 있는 이미지와 깨끗한 이미지 쌍을 필요로 하는 방법들은 합성 데이터와 실제 데이터 간의 도메인 격차와 신뢰할 수 있는 쌍별 훈련 데이터 (예: 장/단 노출 쌍) 의 부족으로 어려움을 겪습니다.
기존 자기지도 학습 방법: 현재 단일 이미지 또는 쌍 기반 자기지도 학습 잡음 제거 (예: Noise2Noise) 는 종종 전체 이미지 S/N 지표에 의존하는데, 이는 실제 천문학적 이득으로 이어지지 않을 수 있습니다. 이러한 방법들은 아티팩트를 유발하거나 희미한 천체를 놓치거나, 광도학적 정확도를 유지하지 못할 수 있습니다.

방법론: ASTERIS

저자들은 ASTERIS(천문 자기지도 학습 트랜스포머 기반 잡음 제거 알고리즘) 를 제시합니다. 이는 동일한 장면에 대한 여러 번의 디더 (dither) 노출 간의 시공간 상관관계를 활용하도록 설계된 자기지도 학습 딥러닝 프레임워크입니다.

핵심 아키텍처 및 전략

시공간 학습: 표준 단일 이미지 잡음 제거와 달리 ASTERIS 는 정렬된 $M$ 개의 노출 스택을 3 차원 데이터 큐브 (공간 $x, y$ + 시간 $t$ ) 로 처리합니다. 이는 3D U-Net 아키텍처를 3D 멀티-디컨볼루션-헤드-트랜스포즈드-어텐션 (3D-MDTA) 블록과 3D 게이트드-디컨볼루션-피드포워드 네트워크 (3D-GDFN) 블록으로 강화하여 사용합니다. 이러한 하이브리드 설계는 노출 간의 국소적 공간 상관관계와 장거리 의존성 모두를 포착합니다.
자기지도 학습: 이 알고리즘은 깨끗한 정답 (ground truth) 이 필요 없습니다. $M$ 개의 노출 세트 (일반적으로 16 개) 를 입력 세트와 목표 세트 (예: 각각 8 개 노출) 로 나눕니다. 노출들이 천체측정적으로 정렬되어 있으므로 동일한 기본 신호를 공유하지만 독립적인 잡음 실현을 가집니다. 네트워크는 목표 세트를 프록시로 사용하여 입력 세트의 신호 기대값을 예측하도록 학습합니다.
손실 함수: 훈련 목적 함수는 두 가지 구성 요소를 결합합니다:
1. 평균 손실 (MSE): 입력 세트의 합성과 목표 세트 간의 평균 제곱 오차를 최소화하여 배경 변동을 줄임으로써 천체 탐지 완전성을 향상시킵니다.
2. 프레임 손실 (MAE): 개별 대응 노출 간의 평균 절대 오차를 최소화하여 이상치에 대한 강건성을 제공하고 탐지 순도를 향상시킵니다.
플럭스 임계값 설정 (3 $\sigma$ 클리핑): 천문 영상의 넓은 동적 범위를 처리하기 위해 ASTERIS 는 이미지의 희미한 부분에서 선택적으로 작동합니다. $3\sigma$ 유의성 임계값 이하의 픽셀은 신경망에 의해 처리됩니다. 이 임계값 이상의 픽셀 (밝은 천체) 은 일시적으로 클리핑된 후, 중앙값으로 결합되어 최종 이미지에 다시 통합됩니다. 이는 플럭스 불연속성을 도입하지 않으면서 네트워크의 용량을 낮은 S/N 영역에 집중시킵니다.
기기 적응: 서로 다른 기기 (JWST NIRCam 단/장파장 및 Subaru MOIRCS) 에 대해 별도의 모델을 훈련시켜 고유한 잡음 특성과 PSF 를 고려합니다.

주요 결과

1. 모의 데이터 벤치마킹

주입된 모의 천체 (27.5–31.5 등급) 가 포함된 JWST NIRCam F115W 데이터를 사용하여 ASTERIS 를 표준 합성, 가우시안 평활화, BM3D/BM4D, Neighbor2Neighbor, 그리고 Noise2Noise (N2N) 와 비교했습니다.

탐지 한계: 90% 완전성과 90% 순도에서 ASTERIS 는 표준 합성에 비해 1.0 등급만큼, N2N 에 비해 1.0 등급만큼 탐지 한계를 향상시켰습니다.
F-점수: ASTERIS 는 F-점수 = 0.9 일 때 합성에 비해 약 1.7 등급만큼 제한 깊이를 향상시켰습니다.
광도학적 및 공간적 충실도: ASTERIS 는 PSF 프로파일을 유지하며 (합성과 통계적으로 구별 불가, $p=0.9$ ), 체계적인 광도학적 편향을 보이지 않습니다. 반면 N2N 은 분해능이 저하된 것으로 나타났습니다 ( $p < 0.05$ ).

2. 관측적 검증

JWST 데이터 (GLIMPSE 프로그램): 8 노출 스택에 적용된 ASTERIS 는 168 노출의 심층 정답에서 탐지된 168 개 천체 중 93 개를 복원한 반면, 표준 8 노출 합성은 50 개만 복원했습니다. 전체 168 노출에 적용했을 때 ASTERIS 는 표준 방법보다 35% 더 많은 천체를 식별했습니다.
저표면밝기 (LSB) 특징: ASTERIS 는 확장된 구조에 대한 구조적 유사성 (SSIM) 지표를 크게 향상시켰습니다. 나선 은하의 외곽 팔의 경우 SSIM 이 합성 대비 0.37 에서 0.67 로 증가했습니다. 중력 렌즈 아크의 경우 SSIM 이 0.59 에서 0.81 로 향상되었습니다.
일반화 (Subaru 망원경): Subaru MOIRCS 데이터로 특별히 훈련된 모델은 대기 난류와 더 높은 하늘 배경을 가진 지상 기반 Ks 밴드 이미지에서 희미한 천체를 성공적으로 복원하여 적응성을 입증했습니다. 다만, JWST 에서 훈련된 모델을 Subaru 데이터에 직접 적용할 경우 위양성 (false positives) 이 발생했습니다.

3. 고적색편이 은하 적용 (JADES Origins Field)

ASTERIS 를 심층 JWST 탐사인 JADES Origins Field (JOF) 에 적용했습니다.

후보 천체 발견: 이 방법은 $z_{phot} \gtrsim 9$ 인 162 개의 고적색편이 은하 후보를 식별했는데, 이는 기존 표준 합성을 사용한 이전 연구에서 발견된 수의 약 세 배입니다.
더 희미한 한계: 식별된 가장 희미한 후보는 정지 좌표계 UV 절대 등급 ( $M_{UV}$ ) 이 약 -16 등급으로, 이전 한계보다 1.0 등급 더 희미했습니다.
적색편이 모호성 해결: "드롭아웃" 밴드 (라이만 단절로 인해 비탐지가 발생하는 필터) 에서 S/N 을 향상시킴으로써 ASTERIS 는 광도학적 적색편이 모호성을 해결하는 데 기여하여 고적색편이 라이만 단절과 저적색편이 발머 단절을 구별했습니다.
광도 함수: 도출된 $z \sim 9-12$ 및 $z \sim 12-16$ 에 대한 UV 광도 함수는 가파른 희미한 끝 기울기 ( $\alpha \approx -2.45$ 및 $-2.28$) 를 보여주어, 일부 이론적 모델이 예측한 것보다 더 높은 희미 은하의 수 밀도를 나타냅니다.

중요성 및 주장

이 논문은 ASTERIS 가 표준 스택킹이나 단일 이미지 잡음 제거 방법들이 일반적으로 무시하는 다중 노출 관측에 내재된 시공간 상관관계를 활용함으로써 천문 영상 분야에서 중요한 진전을 이루었다고 주장합니다.

효율성: 이 알고리즘은 추가적인 망원경 시간이나 하드웨어 업그레이드 없이 기존 데이터셋에서 더 깊은 과학적 결과를 추출할 수 있게 합니다.
강건성: PSF 와 광도학적 정확도를 유지하면서 상관 잡음을 효과적으로 억제하여 형태학적 및 플럭스 측정에 필수적입니다.
과학적 영향: 탐지 한계를 더 깊게 밀어냄으로써 ASTERIS 는 이전에 탐지 불가능했던 저표면밝기 구조와 희미한 고적색편이 은하의 상당한 개체군을 발견할 수 있게 하여, 초기 은하 형성과 재이온화 시기에 대한 새로운 제약을 제공합니다.

저자들은 이 방법이 자기지도 학습 방식이며 훈련을 위해 관측 데이터 자체만 필요로 하므로, 적절한 훈련 데이터가 제공된다면 다양한 탐사 전략과 기기에 적용 가능하다고 강조합니다.