南京大学联合华南理工大学、中国科学院紫金山天文台等单位，在基于深度学习的方法提升天文观测图像的质量方面取得重要进展。研究团队基于深度学习与回归限制相结合的思想，提出了新的可保持天文观测图像精度的降噪方法，并将这一方法同时成功应用于太阳和夜天文观测数据。该方法在保证观测数据精度的前提下较大提升了信噪比，在空间和地面观测数据上有很大应用潜力。相关研究成果以“Astronomical Image Denoising by Self-Supervised Deep Learning and Restoration Processes”为题，于2025年2月21日在线发表于《Nature Astronomy》。

    随着地基和天基的天文望远镜和探测器的发展，天文学已经进入了多信使的时代。近些年来，我国也开始投入大量精力到天文学等基础学科领域。在太阳物理领域，相继建成了云南1米真空太阳望远镜（NVST）和南京大学光学和近红外太阳爆发探测望远镜（ONSET），取得了丰富的观测成果。与此同时，南京大学联合国内单位于2021年10月发射了国内首颗太阳探测科学技术试验卫星“羲和号”（CHASE）；紧接着以中国科学院紫金山天文台为主要单位的中国科学家又于2022年10月发射了先进天基太阳天文台“夸父一号”（ASO-S）。这些地基和天基的仪器设备为我们研究太阳和日地空间环境提供了宝贵的第一手资料，同时产生的大量以图像为主的观测数据给图像降噪等方法技术提出了更高的要求。天文学是一门以观测为基础的学科，随着观测数据的越来越多，一种方便快捷、精度高、效果好的降噪方法变得尤为重要。

    本研究利用发展迅速的神经网络深度学习的方法，探索对天文观测图像的降噪。首先从太阳观测数据（昼天文）开始训练和验证，并把方法推广到夜天文观测数据，实现了对昼夜全天候天文观测图像的通用降噪方法，达到了目前国际上最佳的通用降噪效果。该降噪方法采用了深度学习与回归限制相结合的思想，把降噪过程分成三个步骤：1.任意选取一张图像进行训练（T过程），2. 利用训练好的神经网络对相同类型的图像进行降噪（D过程），3. 根据降噪后图像的改变量调整回归阈值使得改变量不超过图像的原始噪声水平（R过程），根据这三个步骤我们把这一降噪方法命名为DenoisingTDR方法。图1和图2是用DenoisingTDR方法对太阳动力学天文台（SDO）的磁像仪（HMI）和哈勃空间望远镜（HST）的数据降噪的结果，HMI图像的噪声水平从原始的8高斯左右提升到了约2高斯；对哈勃10s曝光观测数据的降噪结果，也使得了图像更接近100s曝光的观测结果。

    我们的这种深度学习与回归限制相结合的思想首次在科学图像降噪领域引入了一种保护机制。以天文观测图像为代表的科学图像往往有一定的精度需求，降噪过程必须保证原始图像的精度不能改变。而常用的深度学习降噪方法一般基于视觉判断，降噪过程缺乏有效监督，无法精确到像素级别。我们采用的回归限制，针对图像中的每个像素，使得任意像素的改变量不超过噪声水平，这样实现了像素级别的精度保证，使得在取得较好的降噪效果的同时尽量保证不改变原始信号。这一思想在处理科学数据时非常重要，因为肉眼无法分别的差别可能会超过数据的精度要求。在当今人工智能发展迅速，各行各业火速拥抱深度学习的关头，该工作启示我们，在合理使用人工智能的同时，也要保持一定程度的警惕，保证人工智能在安全的程度上被使用。这一点也得到了审稿人的认可（部分审稿人回复截取如下：I think the biggest point of the proposed study is that it analyzes the noise level to ensure the accuracy of the noise level and introduces a restoration process that can complement the deep learning results. I think it can serve as a model for other fields that indiscriminately trust deep learning results just because the cc, rms, etc. results are good）。

    基于这一降噪方法，文章同时提出一种提升望远镜观测效率的方法。望远镜在观测过程中，为了获得具有一定信噪比的图像，往往需要曝光足够的时间。所以望远镜的曝光时间和图像的信噪比呈正相关，一般想要提高信噪比就需要增加曝光时间，想要提高时间分辨率就不得不牺牲信噪比。DenoisingTDR方法可以提高观测图像的信噪比，这样在保证一定信噪比的前提下，可以利用DenoisingTDR增加观测的时间分辨率。方法是首先通过缩短望远镜曝光时间得到信噪比稍差的图像，再利用DenoisingTDR方法把图像信噪比提升到所需水平。这种方法可能对需要大量观测时间和望远镜资源的巡天项目有很大帮助，可以大大缩短巡天时间，提升观测效率。

图1为太阳动力学天文台（SDO）磁像仪（HMI）观测的视向磁图及其降噪图像。第一列为原始观测图像，第二列为选取不同回归阈值（R）的降噪图像，第三列为降噪前后的残差图，第四列展示信号与噪声之比。

图2为哈勃空间望远镜（HST）在F814W波段对NGC星系中心部分的成像及其降噪图像。首行第一和最后两图分别是曝光10s和100s的观测图像（10s图像为降噪对象，100s图像用于参照），中间四图分别为选取不同回归阈值（R）的降噪图像；第二行的密度散点图展示曝光10s的观测图像及其降噪后的图像与曝光100s的参照图像的一致性，最后的高斯拟合图定量描述曝光10s和100s的图像的噪声水平；第三行展示与密度散点图相对应的残差图。

    文章采用了太阳动力学天文台（SDO）的磁像仪（HMI）和哈勃空间望远镜（HST）的数据，并没有使用到开头所讲的“羲和号”和“夸父一号”的数据。这是因为该研究起始于2019年，几经提升完善，早于这两个国内空间太阳探测设备的开始服役时间。所以我们采用了当时使用最广泛的SDO和HST的数据。而“羲和号”和“夸父一号”的数据同属于空间观测，相应的观测数据同样适用于DenoisingTDR方法。由于该方法是一种通用的降噪方法，可以在任意一张图像上进行训练，并对所有同一类型图像进行保证精度的降噪，所以可以应用到诸多涉及图像降噪和科学数据处理的学科和领域，具有非常大的应用潜力。

    南京大学刘铁博士、华南理工大学全宇晖副教授、紫金山天文台宿英娜研究员、南京大学郭洋教授为该论文共同通讯作者，刘铁博士同时为该文第一作者。该研究获得国家自然科学基金、科技部重点研发计划课题、江苏省卓越博士后计划、南京大学毓秀青年学者计划等多项基金支持。

文章链接：https://www.nature.com/articles/s41550-025-02484-z.

方法介绍：https://github.com/zimugh/Denoising-TDR.

DOI: 10.1038/s41550-025-02484-z.

arXiv链接：https://arxiv.org/pdf/2502.16807.

ResearchCommunities:https://communities.springernature.com/posts/astronomical-image-denoising-by-self-supervised-deep-learning-and-restoration-processes#.