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

Resumo Técnico de "BGRem: Um removedor de ruído de fundo para imagens astronômicas baseado em um modelo de difusão"

Declaração do Problema
A imageamento astronômico enfrenta um desafio fundamental: maximizar a captura de sinal enquanto minimiza a interferência de ruído para alcançar uma alta relação sinal-ruído (SNR). Embora aprimorar a SNR diretamente nos detectores seja tecnicamente e financeiramente proibitivo, técnicas de pós-processamento são essenciais para tarefas de construção de catálogos. Métodos tradicionais, como filtragem bilateral, wavelets e médias não locais, são frequentemente utilizados, mas abordagens recentes de aprendizado de máquina (ML) têm mostrado promessa. No entanto, um desafio significativo permanece na generalização de modelos de ML treinados em dados simulados para observações do mundo real, que contêm ruído complexo e não controlado. Além disso, ferramentas existentes como o SExtractor dependem de métodos de subtração de fundo que podem não otimizar totalmente a detecção de fontes fracas em ambientes ruidosos.

Metodologia
Os autores introduzem o BGRem, uma ferramenta de aprendizado de máquina projetada para remover ruído de fundo de imagens astronômicas usando um framework de modelo de difusão supervisionado.

• Arquitetura: A base do BGRem é uma Attention U-Net (Oktay et al. 2018), que combina a estrutura U-Net com mecanismos de atenção para melhorar a precisão da previsão com custo computacional mínimo.
• Framework de Treinamento: Diferentemente dos Modelos Probabilísticos de Difusão de Remoção de Ruído (DDPM) padrão, que adicionam iterativamente ruído gaussiano para destruir uma imagem, o BGRem emprega um esquema de corrupção aditiva supervisionada.
  • O modelo é treinado em pares de imagens de fonte "limpa" apenas ($y$) e ruído de fundo ($x$).
  • Durante o treinamento, uma imagem ruidosa $x_t$ é construída adicionando uma porção escalonada do ruído de fundo à imagem limpa: $x_t = y + \sigma_t \cdot x$.
  • A escala de ruído $\sigma_t$ é governada por um cronograma baseado em cosseno, interpolando entre regimes de alto sinal e alto ruído.
  • A rede é treinada para prever o componente de ruído ($\hat{x}$) usando uma função de perda de Erro Absoluto Médio (MAE), em vez do Erro Quadrático Médio (MSE) tipicamente usado em DDPM.
• Preparação de Dados:
  • Dados Ópticos: Os dados de treinamento consistem em imagens simuladas de campo completo do telescópio MeerLICHT, geradas usando o GalSim. Estas incluem fundos de céu variáveis espacialmente, efeitos do detector (ruído de leitura, corrente escura) e ruído de Poisson. As imagens são recortadas em subimagens de $256 \times 256$.
  • Dados de Raios Gama: Para testar a aplicabilidade entre diferentes comprimentos de onda, o modelo foi retreinado em mapas de céu simulados de raios $\gamma$ do Fermi-LAT (faixa de 1–2 GeV). Estas simulações incluem Núcleos Galácticos Ativos (AGNs), Pulsares (PSRs) e o fundo de Emissão Interestelar (IEM).
• Pré e Pós-processamento: As imagens de entrada passam por subtração de mediana para centralizar o ruído e normalização. Durante a inferência, o modelo remove iterativamente o ruído. O pós-processamento envolve definir valores de pixels negativos para zero e desnormalização.

Principais Contribuições

1. Aplicação Inovadora de Difusão: O BGRem representa uma aplicação inovadora de modelos de difusão para remoção de fundo em astronomia, utilizando uma abordagem de ruído aditivo supervisionado em vez do processo destrutivo padrão.
2. Adaptabilidade entre Comprimentos de Onda: O estudo demonstra a capacidade do modelo de ser retreinado para características de ruído distintas, aplicando com sucesso o framework tanto a dados ópticos (MeerLICHT) quanto a dados de raios $\gamma$ (Fermi-LAT).
3. Integração com Pipelines Existentes: Os autores posicionam o BGRem não como uma ferramenta de fotometria autônoma, mas como uma etapa de pré-processamento para aprimorar pipelines tradicionais de detecção de fontes (especificamente o SExtractor).

Resultados

• Desempenho Óptico (MeerLICHT): Quando usado como etapa de pré-processamento para o SExtractor, o BGRem aumentou o número de detecções verdadeiras positivas de fontes em aproximadamente 7% em comparação ao uso do SExtractor sozinho. O modelo removeu efetivamente o ruído de fundo enquanto preservava fontes pontuais.
• Generalização (Zero-Shot): O BGRem foi testado em imagens ópticas do telescópio Canada-France–Hawaii Telescope (CFHT) e da DESI Legacy Survey (DECam) sem retreinamento (inferência zero-shot). Em ambos os casos, melhorou a eficiência de detecção de fontes sobre a remoção de fundo nativa do SExtractor, embora tenha lutado para preservar estruturas estendidas de baixa brilho superficial (LSB) (por exemplo, M31), interpretando-as como ruído.
• Desempenho em Raios Gama: Em dados simulados do Fermi-LAT, o BGRem removeu com sucesso o fundo IEM, permitindo que o SExtractor identificasse mais do que o dobro do número de fontes corretas em comparação com o método padrão.
• Limitações Identificadas:
  • Viés Fotométrico: Definir pixels negativos para zero introduz um viés, tornando o BGRem inadequado para fotometria de alta precisão autônoma. Os autores propõem usar as saídas do BGRem apenas para gerar máscaras de detecção, que são então aplicadas aos dados originais para integração de fluxo.
  • Fontes Estendidas: O modelo, treinado principalmente em fontes pontuais, tende a suprimir estruturas difusas e estendidas.
  • Ruído de Poisson em Raios Gama: Embora eficaz contra o IEM, o modelo atual falha em lidar adequadamente com o ruído de Poisson observacional em dados de raios $\gamma$, levando a subprevisão de contagens em manchas brilhantes e superprevisão em manchas fracas.

Significado e Afirmações
O artigo afirma que o BGRem oferece um framework robusto e de propósito geral para remoção de fundo que pode aprimorar a precisão da detecção de fontes em métodos tradicionais baseados em pixels. Ao aplicar com sucesso uma abordagem baseada em difusão tanto aos domínios óptico quanto de raios $\gamma$, os autores destacam seu potencial como uma etapa de pré-processamento versátil para levantamentos astronômicos multicomprimento de onda. O trabalho serve como uma prova de conceito para integrar modelos de difusão no pipeline ASID (Identificação e Detecção de Fontes Astronômicas), visando complementar, e não substituir, ferramentas estabelecidas como o SExtractor. Os autores mantêm um tom modesto, reconhecendo que, embora o BGRem melhore a eficiência de detecção, ele atualmente requer otimização adicional (por exemplo, lidar com ruído de Poisson e preservar morfologia estendida) antes de ser adequado para todas as aplicações científicas, particularmente aquelas que exigem fotometria de superfície.