Resumo Técnico: Limites de Detecção Mais Profundos em Imagens Astronômicas Usando Desruído Espaciotemporal Auto-supervisionado

Declaração do Problema

O limite de detecção na astronomia observacional é fundamentalmente limitado por fontes de ruído, incluindo ruído de leitura instrumental, fundo celeste e estatísticas de fótons. Embora avanços em hardware (por exemplo, aberturas maiores) melhorem a relação sinal-ruído (S/N), eles não podem corrigir o ruído de fundo correlacionado decorrente da emissão zodiacal, de foregrounds galácticos e de espalhamento atmosférico.

Abordagens tradicionais de software enfrentam limitações significativas:

• Co-adicionamento (Empilhamento): A média de múltiplas exposições melhora a S/N por um fator de $\sqrt{M}$ apenas se o ruído ao nível do pixel for independente e identicamente distribuído (i.i.d.). Na realidade, o ruído é frequentemente correlacionado devido à Função de Espalhamento de Ponto (PSF), emissão de fundo estruturada e efeitos instrumentais, levando a retornos decrescentes para levantamentos profundos.
• Suavização: A convolução com kernels suprime ruído de alta frequência, mas degrada a resolução espacial.
• Aprendizado Profundo Supervisionado: Métodos que exigem pares de imagens ruidosas e limpas lutam com a lacuna de domínio sintético-para-real e a escassez de dados de treinamento pareados confiáveis (por exemplo, pares de exposições longas/curtas).
• Métodos Auto-supervisionados Existentes: O desruído auto-supervisionado atual baseado em imagem única ou pares (por exemplo, Noise2Noise) frequentemente depende de métricas gerais de S/N da imagem, que podem não se traduzir em ganhos astronômicos práticos. Esses métodos podem introduzir artefatos, perder fontes fracas ou falhar em preservar a precisão fotométrica.

Metodologia: ASTERIS

Os autores apresentam o ASTERIS (Algoritmo de Desruído Astronômico Baseado em Transformer Auto-supervisionado), um framework de aprendizado profundo auto-supervisionado projetado para explorar correlações espaciotemporais entre múltiplas exposições com dithering do mesmo campo.

Arquitetura Central e Estratégia

• Aprendizado Espaciotemporal: Diferentemente do desruído de imagem única padrão, o ASTERIS processa um empilhamento de $M$ exposições alinhadas como um cubo de dados 3D (espacial $x, y$ + temporal $t$). Ele utiliza uma arquitetura 3D U-Net aprimorada com blocos 3D Multi-Deconvolved-Head-Transposed-Attention (3D-MDTA) e blocos 3D Gated-Deconvolved-Feed-Forward Network (3D-GDFN). Este design híbrido captura tanto correlações espaciais locais quanto dependências de longo alcance entre exposições.
• Treinamento Auto-supervisionado: O algoritmo não requer verdade fundamental limpa. Ele divide um conjunto de $M$ exposições (tipicamente 16) em dois conjuntos independentes: um conjunto de entrada e um conjunto de alvo (por exemplo, 8 exposições cada). Como as exposições estão alinhadas astrometricamente, elas compartilham o mesmo sinal subjacente, mas possuem realizações de ruído independentes. A rede aprende a prever a expectativa de sinal do conjunto de entrada usando o conjunto de alvo como proxy.
• Função de Perda: O objetivo de treinamento combina dois componentes:
  1. Perda Média (MSE): Minimiza o Erro Quadrático Médio entre o co-adicionamento do conjunto de entrada e o conjunto de alvo, aumentando a completude da detecção de fontes ao reduzir flutuações de fundo.
  2. Perda de Quadro (MAE): Minimiza o Erro Absoluto Médio entre exposições correspondentes individuais, fornecendo robustez contra valores extremos e melhorando a pureza da detecção.
• Limiar de Fluxo (Corte em 3$\sigma$): Para lidar com a ampla faixa dinâmica de imagens astronômicas, o ASTERIS opera seletivamente nas partes fracas da imagem. Pixels abaixo de um limiar de significância de $3\sigma$ são processados pela rede neural. Pixels acima desse limiar (fontes brilhantes) são temporariamente cortados, combinados por mediana e reintegrados na imagem final. Isso concentra a capacidade da rede em regiões de baixa S/N sem introduzir descontinuidades de fluxo.
• Adaptação Instrumental: Modelos separados são treinados para diferentes instrumentos (JWST NIRCam de comprimento de onda curto/longo e Subaru MOIRCS) para contabilizar características de ruído distintas e PSFs.

Principais Resultados

1. Validação em Dados Simulados

Usando dados do JWST NIRCam F115W com fontes simuladas injetadas (27,5–31,5 mag), o ASTERIS foi comparado ao co-adicionamento padrão, suavização gaussiana, BM3D/BM4D, Neighbor2Neighbor e Noise2Noise (N2N).

• Limites de Detecção: Em 90% de completude e 90% de pureza, o ASTERIS melhora o limite de detecção em 1,0 magnitude em comparação com o co-adicionamento padrão e 1,0 magnitude em comparação com o N2N.
• F-Score: O ASTERIS melhora a profundidade limite (em F-score = 0,9) em aproximadamente 1,7 mag sobre o co-adicionamento.
• Fidelidade Fotométrica e Espacial: O ASTERIS preserva o perfil da PSF (estatisticamente indistinguível do co-adicionamento, $p=0,9$) e não mostra viés fotométrico sistemático, ao contrário do N2N, que mostrou resolução degradada ($p < 0,05$).

2. Validação Observacional

• Dados do JWST (Programa GLIMPSE): Aplicado a empilhamentos de 8 exposições, o ASTERIS recuperou 93 de 168 fontes detectadas em uma verdade fundamental de 168 exposições profundas, enquanto o co-adicionamento padrão de 8 exposições recuperou apenas 50. Quando aplicado às 168 exposições completas, o ASTERIS identificou 35% mais fontes do que os métodos padrão.
• Características de Baixa Superfície Brilhante (LSB): O ASTERIS melhorou significativamente a métrica de Similaridade Estrutural (SSIM) para estruturas estendidas. Para os braços externos de uma galáxia espiral, o SSIM aumentou de 0,37 (co-adicionamento) para 0,67. Para um arco gravitacionalmente lenteado, o SSIM melhorou de 0,59 para 0,81.
• Generalização (Telescópio Subaru): Um modelo treinado especificamente em dados do Subaru MOIRCS recuperou com sucesso fontes fracas em imagens de banda Ks baseadas no solo, demonstrando adaptabilidade à turbulência atmosférica e fundo celeste mais alto, embora um modelo treinado no JWST aplicado diretamente a dados do Subaru tenha produzido falsos positivos.

3. Aplicação a Galáxias de Alto Redshift (Campo JADES Origins)

O ASTERIS foi aplicado ao Campo JADES Origins (JOF), um levantamento profundo do JWST.

• Descoberta de Candidatos: O método identificou 162 candidatos a galáxias de alto redshift em $z_{phot} \gtrsim 9$, aproximadamente três vezes o número encontrado em estudos anteriores usando co-adicionamento padrão.
• Limites Mais Fracos: Os candidatos mais fracos identificados tinham magnitudes absolutas no UV de repouso ($M_{UV}$) de $\approx -16$ mag, 1,0 magnitude mais fracas do que os limites anteriores.
• Resolução de Ambiguidade de Redshift: Ao melhorar a S/N em bandas de "dropout" (filtros onde a quebra de Lyman causa não detecção), o ASTERIS ajudou a resolver ambiguidades de redshift fotométrico, distinguindo quebras de Lyman de alto redshift de quebras de Balmer de baixo redshift.
• Funções de Luminosidade: As funções de luminosidade no UV derivadas para $z \sim 9-12$ e $z \sim 12-16$ exibem inclinações íngremes na extremidade fraca ($\alpha \approx -2,45$ e $-2,28$, respectivamente), indicando densidades numéricas mais altas de galáxias fracas do que previsto por alguns modelos teóricos.

Significado e Afirmações

O artigo afirma que o ASTERIS representa um avanço significativo na imagem astronômica ao explorar correlações espaciotemporais inerentes a observações de múltiplas exposições, que são tipicamente ignoradas por métodos padrão de empilhamento ou desruído de imagem única.

• Eficiência: O algoritmo permite a extração de resultados científicos mais profundos de conjuntos de dados existentes sem exigir tempo adicional de telescópio ou atualizações de hardware.
• Robustez: Ele suprime efetivamente o ruído correlacionado enquanto preserva a PSF e a precisão fotométrica, críticos para medições morfológicas e de fluxo.
• Impacto Científico: Ao empurrar os limites de detecção mais profundamente, o ASTERIS permite a descoberta de estruturas de baixa superfície brilhante anteriormente indetectáveis e uma população substancial de galáxias fracas e de alto redshift, fornecendo novas restrições à formação de galáxias primordiais e à época da reionização.

Os autores enfatizam que o método é auto-supervisionado, exigindo apenas os próprios dados observacionais para treinamento, tornando-o aplicável a diversas estratégias de levantamento e instrumentos, desde que dados de treinamento adequados estejam disponíveis.