Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising

📄 arXiv: 2602.17205v1 📥 PDF

作者: Yuduo Guo, Hao Zhang, Mingyu Li, Fujiang Yu, Yunjing Wu, Yuhan Hao, Song Huang, Yongming Liang, Xiaojing Lin, Xinyang Li, Jiamin Wu, Zheng Cai, Qionghai Dai

分类: astro-ph.IM, astro-ph.CO, astro-ph.GA, cs.AI

发布日期: 2026-02-19

备注: Published in Science. This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution

DOI: 10.1126/science.ady9404

💡 一句话要点

ASTERIS：自监督时空去噪提升天文图像探测极限

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 天文图像处理 自监督学习 Transformer 图像去噪 深空探测

📋 核心要点

  1. 天文图像的探测极限受噪声影响，传统方法难以有效去除时空相关的复杂噪声。
  2. ASTERIS利用自监督Transformer学习时空信息，实现更有效的去噪，提升探测能力。
  3. 实验表明，ASTERIS能显著提高探测极限，并成功识别出此前难以观测到的天文特征。

📝 摘要（中文）

天文成像观测的探测极限受到多种噪声源的限制。这些噪声中，有些在相邻像素和曝光之间存在相关性，因此原则上可以被学习和校正。我们提出了一种基于自监督Transformer的天文去噪算法（ASTERIS），它整合了多个曝光的时空信息。在模拟数据上的基准测试表明，ASTERIS在90%的完整性和纯度下，将探测极限提高了1.0个星等，同时保持了点扩散函数和光度精度。使用詹姆斯·韦伯太空望远镜（JWST）和斯巴鲁望远镜的数据进行的观测验证，识别出了以前无法探测到的特征，包括低表面亮度星系结构和引力透镜弧。应用于深层JWST图像时，ASTERIS识别出的红移大于9的星系候选者数量是先前方法的三倍，其静止紫外光度比先前方法暗1.0个星等。

🔬 方法详解

问题定义：天文图像的探测极限受到多种噪声源的限制，特别是那些在相邻像素和不同曝光之间存在相关性的噪声。传统去噪方法难以有效建模和去除这些复杂的时空相关噪声，导致探测能力受限。现有方法在去噪的同时，容易模糊图像细节，影响后续的科学分析。

核心思路：ASTERIS的核心思路是利用自监督学习，从大量的未标记天文图像数据中学习噪声的分布和特征。通过Transformer模型强大的时空建模能力，捕捉噪声在不同像素和曝光之间的相关性，从而实现更精确的去噪。自监督学习避免了对干净标签的依赖，使其能够应用于各种天文数据集。

技术框架：ASTERIS的整体框架包括数据预处理、Transformer模型训练和图像去噪三个主要阶段。首先，对原始天文图像进行预处理，包括校准、堆叠等操作。然后，利用Transformer模型学习图像的时空特征，并预测噪声。最后，从原始图像中减去预测的噪声，得到去噪后的图像。该框架采用自监督学习方式，无需人工标注数据。

关键创新：ASTERIS的关键创新在于将Transformer模型应用于天文图像去噪，并采用自监督学习策略。Transformer模型能够有效地捕捉图像的时空相关性，从而实现更精确的噪声估计。自监督学习避免了对干净标签的依赖，使其能够应用于各种天文数据集。此外，该方法在去噪的同时，能够较好地保持图像的细节信息，避免过度平滑。

关键设计：ASTERIS的关键设计包括Transformer模型的结构、损失函数和训练策略。Transformer模型采用多头注意力机制，能够并行处理图像的不同区域，并捕捉长程依赖关系。损失函数采用均方误差（MSE），用于衡量预测噪声与真实噪声之间的差异。训练策略采用Adam优化器，并设置合适的学习率和batch size。此外，还采用了数据增强技术，例如随机旋转和翻转，以提高模型的泛化能力。

📊 实验亮点

ASTERIS在模拟数据上将探测极限提高了1.0个星等（90%完整性和纯度），同时保持了点扩散函数和光度精度。在真实JWST数据上，ASTERIS识别出的红移大于9的星系候选者数量是先前方法的三倍，其静止紫外光度比先前方法暗1.0个星等。此外，ASTERIS还成功识别出了此前难以观测到的低表面亮度星系结构和引力透镜弧。

🎯 应用场景

ASTERIS可广泛应用于各种天文成像观测，尤其是在深场巡天、弱信号探测等领域。该方法能够提高探测极限，发现更多暗弱天体，例如高红移星系、低表面亮度星系结构和引力透镜弧。这将有助于我们更深入地了解宇宙的起源、演化和结构。

📄 摘要（原文）

The detection limit of astronomical imaging observations is limited by several noise sources. Some of that noise is correlated between neighbouring image pixels and exposures, so in principle could be learned and corrected. We present an astronomical self-supervised transformer-based denoising algorithm (ASTERIS), that integrates spatiotemporal information across multiple exposures. Benchmarking on mock data indicates that ASTERIS improves detection limits by 1.0 magnitude at 90% completeness and purity, while preserving the point spread function and photometric accuracy. Observational validation using data from the James Webb Space Telescope (JWST) and Subaru telescope identifies previously undetectable features, including low-surface-brightness galaxy structures and gravitationally-lensed arcs. Applied to deep JWST images, ASTERIS identifies three times more redshift > 9 galaxy candidates, with rest-frame ultraviolet luminosity 1.0 magnitude fainter, than previous methods.