Límites de detección más profundos en imágenes astronómicas mediante la eliminación de ruido espaciotemporal...

Área de la Ciencia:

• Astronomía y Astrofísica
• Procesamiento de imágenes
• Aprendizaje automático

Sus antecedentes:

• La obtención de imágenes astronómicas está limitada por el ruido, incluido el ruido correlacionado entre píxeles y exposiciones.
• Los métodos de eliminación de ruido existentes luchan por corregir eficazmente los patrones de ruido espaciotemporal.

Objetivo del estudio:

• Desarrollar y validar un novedoso algoritmo autosupervisado para la eliminación de ruido en imágenes astronómicas.
• Mejorar los límites de detección y la sensibilidad de las observaciones astronómicas.

Principales métodos:

• Se desarrolló el algoritmo de eliminación de ruido basado en transformadores autosupervisados astronómicos (ASTERIS), que integra información espaciotemporal de múltiples exposiciones.
• Se realizó una evaluación comparativa con datos simulados para evaluar el rendimiento.
• Se realizó una validación observacional utilizando datos de los telescopios James Webb Space Telescope (JWST) y Subaru.

Principales resultados:

• ASTERIS mejora los límites de detección en 1,0 magnitud con un 90% de completitud y pureza.
• El algoritmo preserva la función de dispersión de puntos y la precisión fotométrica.
• Se identificaron características previamente indetectables, como estructuras de galaxias de bajo brillo superficial y arcos de lentes gravitacionales.
• Aplicado a imágenes profundas de JWST, ASTERIS identificó tres veces más candidatos a galaxias con un corrimiento al rojo ≳ 9 que los métodos anteriores, con una luminosidad ultravioleta en reposo más débil.

Conclusiones:

• ASTERIS representa un avance significativo en la eliminación de ruido de imágenes astronómicas.
• El algoritmo permite el descubrimiento de objetos astronómicos más débiles y distantes.
• ASTERIS tiene el potencial de revolucionar el análisis de las profundas prospecciones astronómicas.