Одна галактика, два телескопа: как отделить физику от искажений экспресс
Если сфотографировать одну и ту же гору на плёночный фотоаппарат и на современный смартфон, получатся разные изображения: где-то цвета ярче, где-то детали размыты. Так и с телескопами: каждый инструмент видит небо по-своему, добавляя к настоящему свету галактик собственные искажения — как фильтр, через который мы смотрим.
Новая работа предлагает способ убрать этот «фильтр». Учёные собрали пары снимков одних и тех же галактик, сделанные двумя большими обзорами неба: DESI Legacy Imaging Survey и Hyper Suprime-Cam. Нейросеть учили так: она получает два изображения и должна восстановить одно из другого, но с учётом того, что камеры разные. В процессе обучения сеть сама находит, что общего у двух снимков (это и есть настоящая галактика), а что отличается (это искажения конкретного телескопа).
В результате нейросеть выдаёт «чистое» представление галактики — без шума и искажений конкретного инструмента. Это позволяет, например, искать похожие галактики в архивах разных телескопов, не боясь, что их сходство испорчено разными камерами. Такой подход полезен не только для астрономии: он даёт общий рецепт, как учить нейросети на данных от разных приборов — от медицинских сканеров до датчиков в автомобилях.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2604.09787
Data collected from the physical world is always a combination of multiple sources: an underlying signal from the physical process of interest and a signal from measurement-dependent artifacts from the sensor or instrument. This secondary signal acts as a confounding factor, limiting our ability to extract information about the physics underlying the phenomena we observe. Furthermore, it complicates the combination of observations in heterogeneous or multi-instrument settings. We propose a deep learning framework that leverages overlapping observations, a dual-encoder architecture, and a counterfactual generation objective to disentangle these factors of variation. The resulting representations explicitly separate intrinsic signals from sensor-specific distortions and noise, and can be used for counterfactual view generation, parameter inference unconfounded by measurement distortions, and instrument-independent similarity search. We demonstrate the effectiveness of our approach on astrophysical galaxy images from the DESI Legacy Imaging Survey (Legacy) and the Hyper Suprime-Cam (HSC) Survey as a representative multi-instrument setting. This framework provides a general recipe for scientific and multi-modal self-supervised pretraining: construct training pairs from overlapping observations of the same physical system, treat sensor- or modality-specific effects as augmentations, and learn invariant representations through counterfactual generation.
Оба телескопа, данные которых использовали учёные, находятся на Земле, но один из них (Hyper Suprime-Cam) установлен на Гавайях, а другой (DESI Legacy) сканирует небо из обсерватории в Аризоне. Расстояние между ними — около 4 800 км, но они видят одни и те же галактики.