[Paper] 去噪深空：基于物理的 CCD 噪声形成用于天文成像

Source: arXiv - 2601.23276v1

概览

天文学家不断与噪声 CCD 图像作斗争，这些噪声掩盖了微弱的天体。本文提出了一种 基于物理的噪声合成框架，能够生成用于训练深度学习去噪模型的真实噪声‑干净图像对——这一直是社区的主要瓶颈。通过将合成过程基于产生 CCD 噪声的实际物理过程，作者使得生成的模型既 更可信 又 更易于集成 到现有的科学工作流中。

关键贡献

• 全面的 CCD 噪声模型，涵盖光子泊松噪声、光响应非均匀性 (PRNU)、暗电流、读出噪声以及局部异常（宇宙射线撞击、热像素）。
• 数据生成管线，将高信噪比的“基准”图像（通过对大量未配准曝光进行平均获得）转换为无限的噪声/干净配对帧，用于监督学习。
• 真实的多波段数据集，由双地面望远镜拍摄，包括原始帧、校准管线输出、校准帧（偏置、暗场、平场）以及高信噪比堆叠基准。
• 最先进去噪算法的演示，在合成配对上进行训练，显示出相较于传统仅校准方法在模拟和真实望远镜数据上显著的 PSNR/SSIM 提升。
• 开源发布 噪声合成代码和数据集，支持可重复性和快速实验。

方法论

1. 高‑SNR 基底构建 – 作者收集同一天空区域的数十张短曝光图像。通过对它们进行平均（不进行配准），随机噪声会被平均掉，而底层天文信号保持不变，从而得到干净的“基底”图像。
2. 基于物理的噪声合成 – 从基底开始，流水线按 CCD 上噪声出现的顺序注入噪声成分：
   • Photon shot noise（每像素的泊松分布）。
   • PRNU（像素级增益变化，建模为低频乘性映射）。
   • Dark current（随温度变化的热电子，建模为泊松过程加固定图案）。
   • Readout noise（在电荷转电压后加入的高斯电子噪声）。
   • Outliers（随机放置的高强度尖峰，用于模拟宇宙射线和热像素）。
     每个成分都使用与科学数据同步获取的校准帧（bias、dark、flat）进行参数化，确保合成噪声与实际仪器行为相匹配。
3. 数据集组装 – 合成的噪声图像与其原始高‑SNR 基底配对，形成大规模的监督训练集。作者还提供原始望远镜帧以及流水线处理后的校准图像，以供 真实场景评估。
4. 训练与评估 – 在合成配对上训练标准的基于 CNN 的去噪模型（如 DnCNN、UNet）以及新型的 transformer 风格模型。性能在合成测试集和真实望远镜数据上进行测量，使用 PSNR、SSIM 以及天体物理指标（如源检测完整性）进行评估。

结果与发现

• 定量提升 – 在基于物理的合成数据上训练的去噪模型相较于传统的 bias/dark/flat 校准图像，在真实测试集上实现了 PSNR 提高 3–5 dB 和 SSIM 提高 10–15 %。
• 改进的源恢复 – 在 5σ 检测阈值下恢复的微弱星体数量增加了 ≈20 %，表明去噪过程保留了天体信号而非将其平滑掉。
• 异常值处理 – 融入宇宙射线和热像素模型可防止网络“学习”去除真实的高强度事件，从而降低假阴性检测。
• 跨仪器泛化 – 在一台望远镜上训练的模型能够良好迁移到另一台配置相似的望远镜，验证了基于物理的合成能够捕获与仪器无关的噪声特性。

实际意义

• 加速管线开发 – 研究人员现在只需捕获少量校准帧和几张短曝光图像，即可为任何 CCD 仪器生成几乎无限的训练数据。
• 更佳实时去噪 – 可部署的 CNN/Transformer 模型可在天文台的 GPU 上运行，提供接近实时的清洁帧，帮助瞬态检测（如超新星、引力波对应体）。
• 成本节约 – 减少长曝光叠加的需求，可节省望远镜时间，从而在相同观测分配下实现更广的天空覆盖或更深的调查。
• 标准化与可重复性 – 由于噪声模型基于可测量的物理参数，去噪步骤可以被审计和复现，这对科学出版物是关键要求。
• 跨领域采用 – 同一框架可适配用于显微镜或遥感中的其他成像传感器（CMOS、EMCCD），这些领域同样缺乏成对的噪声‑干净数据。

限制与未来工作

• 模型假设 – 当前的合成假设探测器的噪声统计是平稳的；空间上变化的温度梯度或随时间变化的增益漂移未被建模。
• 异常复杂性 – 宇宙射线轨迹可能具有复杂形状；简化的尖峰模型可能无法捕捉所有形态细节，可能限制在高度污染帧上的性能。
• 向光谱学的扩展 – 本工作聚焦于宽带成像；将流水线适配到光谱 CCD 数据（具有波长相关噪声）仍是一个未解决的挑战。
• 自监督替代方案 – 未来研究可以探索将基于物理的合成对与自监督去噪（例如 Noise2Void）相结合，以进一步降低对校准数据的依赖。

---

作者已在开源许可证下发布了代码和数据集，使开发者能够轻松进行实验、基准测试，并将物理感知去噪集成到自己的天文成像工作流中。

作者

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

论文信息

• arXiv ID: 2601.23276v1
• 分类: astro-ph.IM, cs.CV, cs.LG
• 出版日期: 2026年1月30日
• PDF: Download PDF