[Paper] 딥 스카이 노이즈 제거: 천문 이미징을 위한 물리 기반 CCD 노이즈 형성

Source: arXiv - 2601.23276v1

개요

천문학자들은 끊임없이 희미한 천체를 가리는 잡음이 많은 CCD 이미지와 싸우고 있습니다. 이 논문은 물리 기반 잡음 합성 프레임워크를 소개하는데, 이는 딥러닝 디노이저를 훈련시키기 위해 현실적인 잡음‑깨끗한 이미지 쌍을 생성할 수 있어, 커뮤니티에 큰 병목 현상이던 문제를 해결합니다. 합성을 CCD 잡음을 생성하는 실제 물리적 과정에 기반함으로써, 저자들은 결과 모델을 보다 신뢰할 수 있고 기존 과학 파이프라인에 쉽게 통합할 수 있게 만들었습니다.

주요 기여

• 포괄적인 CCD 노이즈 모델은 광자 샷 노이즈, 포토‑응답 비균일성(PRNU), 다크 전류, 읽기 노이즈, 그리고 국소 이상치(우주선 충돌, 핫 픽셀)를 포함합니다.
• 데이터 생성 파이프라인은 높은 SNR을 가진 “베이스” 이미지(다수의 정렬되지 않은 노출을 평균하여 얻음)를 무제한의 잡음/클린 프레임 쌍으로 변환하여 지도 학습에 사용합니다.
• 실제 다중 밴드 데이터셋은 쌍둥이 지상 망원경으로 촬영되었으며, 원시 프레임, 보정된 파이프라인 출력, 보정 프레임(바이어스, 다크, 플랫) 및 높은 SNR을 가진 스택 베이스를 포함합니다.
• 최첨단 디노이저 시연은 합성 쌍으로 학습된 모델을 사용하여 시뮬레이션 및 실제 망원경 데이터 모두에서 전통적인 보정 전용 방법에 비해 PSNR/SSIM이 크게 향상됨을 보여줍니다.
• 오픈소스 공개는 노이즈 합성 코드와 데이터셋을 제공하여 재현성 및 빠른 실험을 가능하게 합니다.

Methodology

1. High‑SNR Base Construction – 저자들은 동일한 하늘 영역에 대한 수십 개의 짧은 노출을 수집합니다. 이를 (정렬 없이) 평균하면 무작위 잡음은 평균화되고, 기본 천문 신호는 남아 깨끗한 “베이스” 이미지를 얻을 수 있습니다.
2. Physics‑Based Noise Synthesis – 베이스 이미지에서 시작해 파이프라인은 CCD에서 발생하는 순서대로 잡음 요소들을 주입합니다:
   • Photon shot noise (픽셀당 포아송 분포).
   • PRNU (저주파 곱셈 맵으로 모델링된 픽셀별 이득 변동).
   • Dark current (온도 의존적인 열 전자, 포아송 프로세스와 고정 패턴으로 모델링).
   • Readout noise (전하‑전압 변환 후 추가되는 가우시안 전자 잡음).
   • Outliers (우주선 및 핫 픽셀을 위한 무작위 고강도 스파이크).
     각 구성 요소는 과학 데이터와 함께 촬영된 보정 프레임(바이어스, 다크, 플랫)을 사용해 파라미터화되며, 합성 잡음이 실제 장비 동작과 일치하도록 합니다.
3. Dataset Assembly – 합성 잡음이 포함된 이미지와 원본 고‑SNR 베이스를 짝지어 대규모 지도 학습용 데이터셋을 구성합니다. 저자들은 또한 실제 평가를 위해 원시 망원경 프레임과 파이프라인으로 처리된 보정 이미지도 제공합니다.
4. Training & Evaluation – 표준 CNN‑기반 디노이저(예: DnCNN, UNet)와 최신 트랜스포머‑스타일 모델을 합성 쌍 데이터로 학습시킵니다. 성능은 합성 테스트 세트와 실제 망원경 데이터 모두에서 PSNR, SSIM 및 소스 검출 완전도와 같은 천문학적 지표를 사용해 측정합니다.

결과 및 발견

• Quantitative Gains – 물리 기반 합성 데이터로 훈련된 디노이저는 실제 테스트 세트에서 전통적인 bias/dark/flat 보정 이미지에 비해 PSNR이 3–5 dB 높고, SSIM이 10–15 % 높게 달성한다.
• Improved Source Recovery – 5σ 검출 임계값에서 회복된 약한 별의 수가 ≈20 % 증가했으며, 이는 디노이징이 천체 신호를 평활화하지 않고 보존함을 보여준다.
• Outlier Handling – 우주선 및 핫픽셀 모델을 포함하면 네트워크가 실제 고강도 이벤트를 “지우는” 것을 학습하는 것을 방지하여 false‑negative 검출을 감소시킨다.
• Cross‑Instrument Generalization – 한 망원경 데이터로 훈련된 모델이 유사하게 장비된 두 번째 망원경에도 잘 전이되어, 물리 기반 합성이 기기 독립적인 노이즈 특성을 포착함을 확인한다.

실용적 함의

• Accelerated Pipeline Development – 연구자들은 이제 적은 수의 보정 프레임과 몇 개의 짧은 노출만 촬영하면 거의 무제한에 가까운 훈련 데이터를 모든 CCD 장비에 대해 생성할 수 있습니다.
• Better Real‑Time Denoising – 배포 가능한 CNN/Transformer 모델을 관측소 GPU에서 실행할 수 있어, 초신성이나 중력파 대응체와 같은 일시적 현상 탐지에 도움이 되는 거의 실시간에 가까운 정화된 프레임을 제공합니다.
• Cost Savings – 장시간 노출 스태킹 필요성을 줄여 망원경 사용 시간을 절약하고, 동일한 할당량 내에서 더 넓은 하늘 영역을 커버하거나 더 깊은 조사를 수행할 수 있습니다.
• Standardization & Reproducibility – 노이즈 모델이 측정 가능한 물리적 파라미터에 기반하므로, 노이즈 제거 단계는 감사 및 재현이 가능하며 이는 과학 출판에 필수적인 요구 사항입니다.
• Cross‑Domain Adoption – 동일한 프레임워크를 현미경이나 원격 탐사에 사용되는 다른 이미지 센서(CMOS, EMCCD)에도 적용할 수 있으며, 여기서도 잡음‑깨끗한 데이터 쌍이 부족합니다.

제한 사항 및 향후 작업

• 모델 가정 – 현재 합성은 검출기 전역에 걸쳐 잡음 통계가 정상(stationary)이라고 가정합니다; 공간적으로 변하는 온도 구배나 시간에 따라 변하는 이득 드리프트는 모델링되지 않았습니다.
• 이상치 복잡성 – 우주선 트랙은 복잡한 형태를 가질 수 있으며, 단순화된 스파이크 모델은 모든 형태학적 뉘앙스를 포착하지 못할 수 있어, 심하게 오염된 프레임에서 성능이 제한될 수 있습니다.
• 분광학으로의 확장 – 이 작업은 광대역 이미징에 초점을 맞추고 있으며, 파장 의존 잡음이 포함된 분광 CCD 데이터에 파이프라인을 적용하는 것은 아직 해결되지 않은 과제입니다.
• 자기지도 대안 – 향후 연구에서는 물리 기반 합성 쌍과 자기지도 디노이징(예: Noise2Void)을 결합하여 보정 데이터에 대한 의존도를 더욱 낮추는 방안을 탐색할 수 있습니다.

---

저자들은 코드를 오픈 라이선스로 공개했으며, 데이터셋도 동일하게 제공하여 개발자들이 물리 기반 디노이징을 자체 천문 이미지 워크플로에 쉽게 실험·벤치마크·통합할 수 있도록 하였습니다.

저자

• Shuhong Liu
• Xining Ge
• Ziying Gu
• Lin Gu
• Ziteng Cui
• Xuangeng Chu
• Jun Liu
• Dong Li
• Tatsuya Harada

논문 정보

• arXiv ID: 2601.23276v1
• 분류: astro-ph.IM, cs.CV, cs.LG
• 발행일: 2026년 1월 30일
• PDF: PDF 다운로드