Co-addition and Subtraction of Undersampled Images

Resumo Técnico: Co-adição e Subtração de Imagens Subamostradas

Definição do Problema
Em levantamentos de imagem astronômica, como aqueles que buscam transientes (supernovas, contrapartidas de ondas gravitacionais), são necessárias observações repetidas da mesma porção do céu para alcançar imagens profundas. Uma parte significativa dessas imagens, particularmente de observatórios espaciais (ex: JWST, Roman, Spitzer) e levantamentos terrestres sob excelentes condições de seeing (ex: ZTF, VRO), são "subamostradas". Isso ocorre quando o tamanho do pixel é grande demais em relação à Função de Espalhamento de Ponto (PSF), violando o teorema de amostragem de Nyquist-Shannon (tipicamente definido como FWHM < 2 pixels).

A subamostragem leva ao aliasing, onde deslocamentos sub-pixel de uma fonte resultam em valores de pixel idênticos, tornando o registro de imagens e os deslocamentos sub-pixel mal definidos. Métodos atuais para lidar com essas imagens, como o algoritmo Drizzle ou subtração aritmética simples, são subótimos. Eles frequentemente falham ao não considerar variações de PSF, introduzem correlações de ruído, requerem intervenção manual para distinguir artefatos de sinais reais ou sofrem de instabilidade numérica e altos custos computacionais. Essas limitações resultam em redução de sensibilidade e aumento nas taxas de alarmes falsos, dificultando a detecção eficiente de fenômenos transientes.

Metodologia
Os autores propõem um novo método denominado Linear Undersampled Transients & Addition (LUTRA). Esta abordagem fornece um arcabouço matematicamente comprovado e ótimo para co-adicionar imagens subamostradas e realizar subtração de fundo.

O núcleo da metodologia envolve a modelagem do processo de formação da imagem no domínio de Fourier. Os autores definem um modelo geral onde o céu verdadeiro $T(x)$ é convolvido com a PSF específica da imagem $P_j$ e deslocado por uma quantidade sub-pixel $\Delta_j$, então amostrado com ruído branco aditivo.

• Formulação Matricial: O processo de amostragem é expresso como um sistema linear no domínio da frequência. Para cada índice de frequência $k$, o vetor de dados amostrados $\vec{M}_k$ está relacionado ao vetor do céu de alta resolução $\vec{T}_k$ através de uma matriz de sistema $G_k$ (incorporando PSF e deslocamentos de fase) e ruído.
• Estatísticas Suficientes: Ao aplicar o teorema de fatoração de Fisher-Neyman à função de verossimilhança, os autores derivam "estatísticas suficientes" que retêm toda a informação presente no conjunto de dados original em relação ao fundo estático. Essas estatísticas são:
  1. Estatística de Co-adição: Um resumo das imagens de referência que permite o cálculo ótimo de verossimilhança para qualquer hipótese sem o reprocessamento dos dados brutos.
  2. Estatística de Subtração: Uma estatística derivada para detectar novas fontes pontuais ao comparar um novo conjunto de imagens contra o conjunto de referência. Esta estatística utiliza as estatísticas suficientes de ambos os conjuntos, permitindo computação eficiente sem carregar conjuntos de dados inteiros na memória.
  3. Estatística de Raio Cósmico: Uma estatística específica para identificar artefatos agudos de alta amplitude (raios cósmicos) em novas imagens.

O método é projetado para ser numericamente estável (evitando a inversão de matrizes singulares comuns em outros algoritmos de reconstrução) e atualizável, permitindo que novas imagens sejam incorporadas sem recomputar toda a solução.

Principais Contribuições

1. Co-adição e Subtração Ótimas: O LUTRA fornece a primeira solução matematicamente comprovada e ótima para co-adicionar e subtrair imagens subamostradas, contabilizando variações de PSF e níveis de ruído.
2. Saída de Super-resolução: As estatísticas derivadas são vetores no domínio da frequência que podem ser "desdobrados" para produzir imagens com um fator de melhoria de resolução $B$ (a razão de subamostragem), alcançando efetivamente a super-resolução.
3. Capacidades de Medição Direta: O método facilita medições de fotometria e astrometria diretas e ótimas. Os autores demonstram que a estimativa de fluxo e a determinação precisa de posição podem ser realizadas eficientemente usando as estatísticas derivadas.
4. Robustez a Ruído e Variações de PSF: Diferente de métodos anteriores, o LUTRA pesa explicitamente as imagens com base nos níveis de ruído e lida naturalmente com imagens com diferentes PSFs e deslocamentos.
5. Implementação de Código Aberto: Os autores fornecem uma implementação em Python do algoritmo com código aberto.

Resultados
Os autores demonstram o desempenho do LUTRA utilizando dados públicos do Zwicky Transient Facility (ZTF).

• Relação Sinal-Ruído (SNR): O método alcança um SNR 1,25x maior em comparação com os métodos padrão atuais (especificamente aqueles envolvendo Drizzle e subtração simples).
• Redução de Alarmes Falsos: A análise dos dados de eventos do ZTF indica que uma proporção significativa de eventos "bogus" (falsos) ocorre em imagens subamostradas (aprox. 42% no total, subindo para >54% ao filtrar próximo a estrelas brilhantes), enquanto transientes reais são menos afetados. Os autores argumentam que aplicar o LUTRA a essas imagens melhorará diretamente a taxa de alarmes falsos.
• Validação: O método mostra reproduzir resultados para imagens adequadamente amostradas (reduzindo-se a soluções escalares conhecidas como ótimas) e lida corretamente com cenários de amostragem intercalada, produzindo resultados equivalentes a sinais de alta resolução.

Significância e Alegações
O artigo afirma que o LUTRA resolve o problema fundamental da detecção de transientes em imagens subamostradas ao fornecer um arcabouço linear, ótimo e computacionalmente eficiente. A significância reside em sua capacidade de:

• Melhorar a sensibilidade de levantamentos atuais e futuros (incluindo o Vera C. Rubin Observatory e o Telescópio Espacial Roman) onde a subamostragem é prevalente.
• Reduzir a dependência de supervisão humana para classificação de transientes ao minimizar falsos positivos causados por artefatos de subamostragem.
• Permitir fotometria e astrometria precisas em regimes onde métodos tradicionais falham ou perdem informação.

Os autores observam que, embora o trabalho atual assuma imagens alinhadas sem rotação relativa, o arcabouço foi desenhado para ser estendido para lidar com rotações em futuros artigos complementares. O método é apresentado como uma solução abrangente para sintetizar conjuntos de imagens subamostradas em objetos de alta resolução, abordando diretamente as limitações dos pipelines atuais na era da astronomia de domínio temporal em larga escala.