Deep Learning como alternativa a la deconvolución de imágenes de galaxias capturadas con el telescopio espacial Hubble

Abstract

Las anomalías y artefactos de las capturas de imágenes de galaxias reales provocan la presencia de ruido que dificulta la labor de observación e investigación de los astrónomos. El ruido de Poisson y la Función de Dispersión de Punto (PSF) representan dos casos típicos que, de forma habitual, son objeto de tratamiento para su atenuación o supresión. Los avances de la Inteligencia Artificial han permitido la construcción de modelos que pueden ser entrenados para reconstruir imágenes de galaxias mitigando las aberraciones inherentes en el proceso de adquisición. En este proyecto se van a utilizar imágenes reales del telescopio espacial Hubble para entrenar tres arquitecturas de redes neuronales, AEPP2 (basada en Autoencoders), U-Net y DIDN, y realizar una reconstrucción de estas, eliminando el efecto de la Función de Dispersión de Punto, conforme se haría con un algoritmo de deconvolución. Las pruebas realizadas aportan datos con los que se puede afirmar que el modelo de red U-Net es el que mejores resultados ofrece en este contexto.