IT 之家 2 月 21 日消息，清华大学宣布，日前，清华大学自动化系戴琼海院士团队和天文系蔡峥副教授团队（以下简称：研究团队）提出时空自监督计算成像模型 —— 星衍 ( ASTERIS ) ，攻克极低信噪比下的高保真光子重构难题，突破天文观测深度极限，将詹姆斯 · 韦伯空间望远镜探测深度提升 1 个星等，找到 3 倍数量于过往研究的极暗弱高红移候选天体，绘制出迄今最深邃的极致深空星系图像。

相关研究成果于北京时间 2 月 20 日以《自监督时空降噪提升天文成像探测极限》 ( Deeper detection limits in astronomical imaging using self-supervised spatiotemporal denoising ) 为题，以长文形式 " 优先发表 " ( First Release ) 于《科学》杂志（Science），审稿人称赞其为 " 杰出的工作与强大的工具 "" 会对天文领域产生重要的影响 "。

IT 之家从官方新闻稿获悉，此前，利用 AI 模型 " 解码 " 天文数据的研究并不少见，多沿用计算机视觉领域的通用指标衡量性能。这些指标往往易将模型导向一种误区：数据变得干净平滑，实则磨平了极暗弱信号，甚至改变了天体形态。

研究团队构建了一套基于天文科学的 AI 评价方法，摒弃单纯的视觉效果提升，以探测能力、形态保真、光度保持等为核心评价指标，将深空观测中的多帧曝光策略内化为模型的数据输入逻辑，从科学需求引导星衍的架构设计。

另一方面，星衍在增加探测深度的同时，还着力确保了探测的准确性。模型首次采用了 " 分时中位，全时平均 " 联合优化策略：通过中位数统计，剔除单次曝光中存在的宇宙射线等瞬态干扰；通过加权平均，最大化暗弱信号的信噪比。

这一双重机制显著提升了探测暗弱信号的能力，也同时降低了虚假信号的产生概率，保证了天文数据的科学性。

在詹姆斯 · 韦伯空间望远镜的观测数据上，星衍展现了惊人的效果：将探测暗弱天体的完备度提升了整整 1.0 个星等，并将探测的准确度提升了 1.6 个星等。

依托这一技术，研究团队在韦伯空间望远镜的深度观测数据中，发现了超过 160 个宇宙早期的候选高红移星系，数量是先前发现的 3 倍。

这些星系存在于宇宙大爆炸后仅 2 至 5 亿年的 " 宇宙黎明 " 时代，它们的发现使人类得以绘制出目前最深邃、暗弱的早期星系光度函数，为理解宇宙第一缕曙光的诞生提供了全新数据。

星衍的另一大优势在于其强大的泛化能力。作为一种时间 - 空间 - 光度多维智能学习方法，它仅基于已有的观测数据进行训练，无需依赖人工标注。这一特性使其能够轻松跨越不同观测平台和探测波段。目前，星衍已成功应用于詹姆斯 · 韦伯空间望远镜和昴星团地面望远镜，覆盖的波段范围从可见光（约 500 纳米）延伸到中红外（5 微米）。

这标志着它不仅能解码空间望远镜的尖端数据，更可兼容多元探测设备，成为通用的深空数据增强平台，为人类探寻宇宙的巨眼，植入智能的 AI 大脑。

IT 之家附论文链接：https://www.science.org/doi/10.1126/science.ady9404