AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data

Titel: AstroSURE: Leren om Ruis te Verwijderen uit Astronomische Afbeeldingen zonder Ground Truth Data

1. Het Probleem

Astronomische beeldvorming staat voor een fundamentele uitdaging: het detecteren van zeer zwakke bronnen (zoals verre sterrenstelsels) in beelden met een laag fotonaantal. Deze beelden worden onvermijdelijk vervuild door ruis, waaronder:

• Foton-shotruis (Poisson-verdeling): Geïntroduceerd door de kwantitatieve aard van licht.
• Detector-uitleesruis (Gaussisch): Geassocieerd met de elektronica van de sensor.
• Lokale contaminatie: Kosmische straling, satellietsporen en dode pixels.

Traditionele methoden voor ruisreductie (zoals stapelen/stacking van meerdere beelden) vereisen meerdere opnames van hetzelfde gebied, wat niet altijd beschikbaar is (bijvoorbeeld bij tijdsgebonden studies of kalibratieframes). Bovendien vereisen geavanceerde deep-learning (DL) methoden voor ruisreductie doorgaans "clean" ground-truth beelden voor training, die in de astronomie niet bestaan. Het gebruik van zwaar gestapelde beelden als proxy voor ground truth is computatief zwaar en introduceert vaak artefacten. Er is dus behoefte aan methoden die kunnen worden getraind op enkel ruisachtige data zonder referentie-beelden.

2. Methodologie: Het AstroSURE Framework

De auteurs introduceren AstroSURE, een praktisch framework voor het evalueren en toepassen van onbewaakte (unsupervised) en zelfbewaakte (self-supervised) deep-learning methoden voor astronomische beelddenoising.

A. Data en Ruismodellen

• Synthetische Data: Genereerd met de GalSim-bibliotheek, inclusief complexe ruismodellen (Poisson-Gaussisch mengsel, donkere stroom, kwantisatieruis).
• Real Data: Beelden van de Hubble Space Telescope (HST) en de Canada-France-Hawaii Telescope (CFHT).
• Preprocessing: Beelden worden opgesplitst in patches (256x256 pixels). Achtergrondsubtractie wordt toegepast om training te stabiliseren.

B. Trainingsstrategieën
Het paper vergelijkt drie hoofdbenaderingen die geen schone ground truth vereisen:

1. Noise2Noise (N2N): Trained op paren van onafhankelijke ruisachtige beelden van hetzelfde object. De netwerkvoorspelling van het ene ruisbeeld naar het andere convergeert naar het schone signaal als de ruis onafhankelijk en nul-gemiddeld is.
2. Stein's Unbiased Risk Estimator (SURE): Een analytische methode om de ruisreductiefout te schatten op basis van één enkel ruisbeeld, mits de ruisparameters bekend zijn. Het paper implementeert varianten voor Poisson-ruis en gemengde Poisson-Gaussische ruis.
3. Blind-Spot Netwerken: Methoden zoals Noise2Self en Noise2Same, waarbij een pixel wordt voorspeld op basis van zijn omgeving zonder de pixel zelf te zien.

C. Architectuur

• De auteurs evalueren diverse netwerken (DnCNN, Restormer, U-Net).
• Een gemodificeerde U-Net wordt gekozen als de primaire architectuur vanwege het goede evenwicht tussen prestaties en rekentijd.
• L1-verlies (Mean Absolute Error) wordt over het algemeen superieur bevonden aan L2-verlies (MSE) voor het behoud van felle astronomische structuren en het minimaliseren van overfitting.

D. Evaluatiemetrics
In plaats van alleen beeldkwaliteitsmetrics (zoals PSNR), ligt de focus op detectie-gerelateerde metrics:

• Correct Detection Rate (CDR): Het percentage correct gedetecteerde ware objecten.
• False Alarm Rate (FAR): Het percentage vals-positieve detecties.
• No-Reference Metrics: uPSNR (Unsupervised PSNR) en NIQE (Naturalness Image Quality Evaluator) voor real data zonder ground truth.

3. Belangrijkste Bijdragen

1. Systematische Vergelijking: Een uitgebreide evaluatie van N2N, SURE en blind-spot methoden specifiek voor astronomische data, met een focus op detectieprestaties in plaats van alleen visuele schoonheid.
2. AstroSURE Pipeline: Een werkbaar workflow dat toont hoe men onbewaakte methoden kan toepassen op zowel synthetische als real-world data (HST en CFHT).
3. Domain Transfer Analyse: Onderzoek naar hoe goed modellen getraind op synthetische data (ruimte-gebaseerd) generaliseren naar real data van ruimte- (HST) en grond-gebaseerde (CFHT) telescopen.
4. L1 vs. L2 Inzicht: Het aantonen dat L1-verlies beter presteert voor astronomische detectie, omdat het robuuster is tegen uitschieters en felle bronnen beter behoudt.

4. Resultaten

• Synthetische Data:
  • N2N presteert bijna even goed als toezicht (supervised) training met schone data, wat aantoont dat paren van ruisbeelden effectief zijn.
  • SURE (gebaseerd op één beeld) levert vergelijkbare resultaten op als N2N, maar is de enige optie wanneer geen paren beschikbaar zijn.
  • Blind-Spot methoden (Noise2Self/Noise2Same) presteerden slecht; ze introduceerden rasterartefacten of faalden volledig, waarschijnlijk vanwege de lage intensiteit en geïsoleerde aard van astronomische bronnen.
  • L1-verlies resulteerde in een hogere CDR en lagere FAR vergeleken met L2-verlies.
• Real Data (HST en CFHT):
  • HST (Ruimte): Na initialisatie met synthetische data en fine-tuning met SURE, verbeterde de CDR van 31,12% naar 35,72% en daalde de FAR. De beeldkwaliteitsmetrics (uPSNR, NIQE) verbeterden aanzienlijk.
  • CFHT (Grond): De verbetering was beperkt. De CDR steeg marginaal (20,29% naar 20,80%) en de FAR nam zelfs licht toe.
  • Conclusie over Domain Gap: De prestaties hangen sterk af van de gelijkenis tussen het trainingsdomein (synthetisch, ruimte-gebaseerd) en het doeldomein. Grondgebonden telescopen hebben last van atmosferische "seeing" en andere ruiskenmerken die niet goed worden gedekt door ruimte-gebaseerde simulaties.

5. Betekenis en Conclusie

Het paper demonstreert dat deep-learning ruisreductie mogelijk is zonder ground truth, wat cruciaal is voor de toekomst van astronomische surveys waar ground truth onmogelijk te verkrijgen is.

• Praktische Impact: Deze methoden kunnen de detectie van zwakke bronnen verbeteren, wat betekent dat minder opnames nodig zijn om een bepaald signaal-niveau te bereiken.
• Beperkingen: De methode is niet bedoeld voor precisie-fotometrie of vormmetingen (PSF-gevoelig), maar specifiek voor detectie.
• Toekomstperspectief: Voor optimale resultaten moet de initialisatie van het model afkomstig zijn uit een domein dat fysiek overeenkomt met de observatie (bijv. grondgebonden simulaties voor grondgebonden telescopen). Toekomstig werk moet zich richten op het omgaan met gestructureerde ruis (zoals kosmische straling) en het uitbreiden van de trainingsdata naar diverse instrumenten.

Kortom, AstroSURE biedt een robuust kader voor het verbeteren van de detectiegevoeligheid in astronomische beelden door gebruik te maken van geavanceerde, onbewaakte deep-learning technieken, met name wanneer N2N of SURE worden toegepast op data die is voorverwerkt met een domein-consistente initialisatie.