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

Technische Samenvatting van "BGRem: Een achtergrondruisverwijderaar voor astronomische afbeeldingen gebaseerd op een diffusiemodel"

Probleemstelling
Astronomische beeldvorming staat voor een fundamentele uitdaging: het maximaliseren van signaalopname terwijl ruisinterferentie wordt geminimaliseerd om een hoog signaal-ruisverhouding (SNR) te bereiken. Hoewel het direct verbeteren van de SNR op detectoren technisch en financieel onhaalbaar is, zijn nabewerkingstechnieken essentieel voor taken zoals het aanleggen van catalogi. Traditionele methoden, zoals bilaterale filtering, wavelets en non-local means, worden vaak gebruikt, maar recente machine learning (ML) benaderingen hebben veelbelovende resultaten laten zien. Een aanzienlijke uitdaging blijft echter het generaliseren van ML-modellen die zijn getraind op gesimuleerde data naar waarnemingen uit de echte wereld, die complexe, ongestuurde ruis bevatten. Bovendien vertrouwen bestaande tools zoals SExtractor op methoden voor achtergrondaftrekking die de detectie van zwakke bronnen in ruisrijke omgevingen mogelijk niet volledig optimaliseren.

Methodologie
De auteurs introduceren BGRem, een machine learning-tool die is ontworpen om achtergrondruis uit astronomische afbeeldingen te verwijderen met behulp van een supervised diffusiemodelkader.

• Architectuur: De ruggengraat van BGRem is een Attention U-Net (Oktay et al. 2018), die de U-Net-structuur combineert met attentiemechanismen om de voorspellingnauwkeurigheid te verbeteren met minimale rekenkosten.
• Trainingskader: In tegenstelling tot standaard Denoising Diffusion Probabilistic Models (DDPM), die iteratief Gaussische ruis toevoegen om een afbeelding te vernietigen, hanteert BGRem een supervised additive corruption-schema.
  • Het model wordt getraind op paren van "schone" bron-only afbeeldingen ($y$) en achtergrondruis ($x$).
  • Tijdens het trainen wordt een ruisafbeelding $x_t$ geconstrueerd door een geschaald deel van de achtergrondruis toe te voegen aan de schone afbeelding: $x_t = y + \sigma_t \cdot x$.
  • De ruisschaal $\sigma_t$ wordt beheerd door een op cosinus gebaseerd schema, dat interpoleert tussen regimes met hoog signaal en hoog ruisniveau.
  • Het netwerk wordt getraind om het ruisonderdeel ($\hat{x}$) te voorspellen met behulp van een Mean Absolute Error (MAE)-verliesfunctie, in plaats van de Mean Squared Error (MSE) die doorgaans in DDPM wordt gebruikt.
• Datavoorbereiding:
  • Optische Data: De trainingsdata bestaat uit gesimuleerde full-field afbeeldingen van de MeerLICHT-telescoop, gegenereerd met GalSim. Deze omvatten ruimtelijk variërende hemelachtergronden, detector-effecten (leesruis, donkerstroom) en Poisson-ruis. Afbeeldingen worden bijgesneden tot $256 \times 256$ sub-afbeeldingen.
  • Gammastraaldata: Om de toepasbaarheid over golflengten heen te testen, werd het model opnieuw getraind op gesimuleerde Fermi-LAT $\gamma$-straalhemelkaarten (bereik 1–2 GeV). Deze simulaties omvatten Actieve Galactische Kernen (AGN's), Pulsars (PSR's) en de Interstellair Emissie (IEM)-achtergrond.
• Pre- en Nabewerking: Invoerafbeeldingen ondergaan mediaan-aftrekking om de ruis te centreren en normalisatie. Tijdens inferentie verwijdert het model iteratief ruis. Nabewerking omvat het instellen van negatieve pixelwaarden op nul en het ontnormaliseren.

Belangrijkste Bijdragen

1. Nieuwe Toepassing van Diffusiemodellen: BGRem vertegenwoordigt een nieuwe toepassing van diffusiemodellen voor achtergrondverwijdering in de astronomie, waarbij een supervised additieve ruismethode wordt gebruikt in plaats van het standaard destructieve forward-proces.
2. Aanpasbaarheid Over Golflengten: De studie demonstreert het vermogen van het model om opnieuw te worden getraind voor verschillende ruiskenmerken, waarbij het kader succesvol wordt toegepast op zowel optische (MeerLICHT) als $\gamma$-straal (Fermi-LAT) data.
3. Integratie met Bestaande Pipelines: De auteurs positioneren BGRem niet als een zelfstandige fotometrietool, maar als een voorbewerkingsstap om traditionele bron-detectiepipelines (met name SExtractor) te verbeteren.

Resultaten

• Optische Prestaties (MeerLICHT): Wanneer BGRem werd gebruikt als voorbewerkingsstap voor SExtractor, steeg het aantal waar-positieve bron-detecties met ongeveer 7% in vergelijking met het gebruik van SExtractor alleen. Het model verwijderde effectief achtergrondruis terwijl puntbronnen behouden bleven.
• Generaliseerbaarheid (Zero-Shot): BGRem werd getest op optische afbeeldingen van de Canada-France–Hawaii Telescope (CFHT) en de DESI Legacy Survey (DECam) zonder opnieuw te trainen (zero-shot inferentie). In beide gevallen verbeterde het de efficiëntie van bron-detectie ten opzichte van de ingebouwde achtergrondverwijdering van SExtractor, hoewel het moeite had om structuren met lage oppervlaktehelderheid (LSB) en uitgebreide structuren (bijv. M31) te behouden, die het interpreteerde als ruis.
• Gammastraal-Prestaties: Op gesimuleerde Fermi-LAT-data slaagde BGRem erin de IEM-achtergrond te verwijderen, waardoor SExtractor meer dan het dubbele aantal correcte bronnen kon identificeren in vergelijking met de standaardmethode.
• Geïdentificeerde Beperkingen:
  • Fotometrische Bias: Het instellen van negatieve pixels op nul introduceert een bias, waardoor BGRem ongeschikt is voor zelfstandige fotometrie met hoge precisie. De auteurs stellen voor om de output van BGRem uitsluitend te gebruiken om detectiemaskers te genereren, die vervolgens worden toegepast op de originele data voor flux-integratie.
  • Uitgebreide Bronnen: Het model, dat voornamelijk is getraind op puntbronnen, neigt uitgebreide, diffuse structuren te onderdrukken.
  • Poisson-ruis in $\gamma$-stralen: Hoewel effectief tegen IEM, faalt het huidige model erin om observatie-Poisson-ruis in $\gamma$-straaldata correct te behandelen, wat leidt tot onderschatting van tellingen in heldere plekken en overschatting in zwakke plekken.

Betekenis en Claims
Het artikel claimt dat BGRem een robuust, algemeen toepasbaar kader voor achtergrondverwijdering biedt dat de nauwkeurigheid van bron-detectie in traditionele pixel-gebaseerde methoden kan verbeteren. Door succesvol een op diffusie gebaseerde aanpak toe te passen op zowel optische als $\gamma$-straaldomeinen, benadrukken de auteurs de potentie ervan als veelzijdige voorbewerkingsstap voor multi-golflengte astronomische surveys. Het werk dient als een proof-of-concept voor het integreren van diffusiemodellen in de ASID (Astronomical Source Identification and Detection)-pipeline, met als doel bestaande tools zoals SExtractor aan te vullen in plaats van te vervangen. De auteurs handhaven een bescheiden toon en erkennen dat, hoewel BGRem de detectie-efficiëntie verbetert, het momenteel verdere optimalisatie vereist (bijv. het behandelen van Poisson-ruis en het behoud van uitgebreide morfologie) voordat het geschikt is voor alle wetenschappelijke toepassingen, met name die welke oppervlaktefotometrie vereisen.