UniverLab · laboratorio abiertoEXP-006
Astro Denoise
El conocimiento de frontera se oculta tras el ruido…
astro-denoise es una propuesta de investigación para un benchmark modular y reproducible de métodos de reducción de ruido sobre imágenes simuladas del Vera Rubin Observatory (LSST DC2). La idea es directa: cualquier método — un filtro clásico, una red entrenada — se enchufa al mismo protocolo y corre sobre los mismos parches, y se evalúa no por una imagen más limpia sino por lo que le hace a la ciencia: la completitud y la pureza del catálogo de fuentes débiles, contrastadas con el truth catalog de DC2. BM3D y una U-Net son las dos primeras referencias que se están explorando — la plataforma está diseñada para crecer a medida que se añadan más métodos.
reducción de ruido → un benchmark puntuado por la ciencia → métodos comparables
EXP-006 · investigación · · roadmap: ·
Una tesis de maestría en curso.
Esto empezó como tesis de maestría y aún está tomando forma. El ecosistema funciona desde julio de 2026: un orquestador con un protocolo común de línea de comandos (imagen FITS de entrada y de salida, metadatos en JSON), una condición de control sin procesamiento y dos métodos empaquetados por separado, BM3D como representante de los métodos clásicos y una U-Net como representante del aprendizaje profundo. Los experimentos corren en abierto, aquí mismo, pero queda trabajo antes de que esto sea un benchmark terminado.
Benchmarking de métodos de reducción de ruido en imágenes simuladas DC2 del Vera Rubin Observatory
Desarrollar una plataforma de benchmarking reproducible que compare métodos de reducción de ruido en imágenes simuladas DC2 del Vera Rubin Observatory, evaluando en cada método la recuperación de fuentes débiles, la calidad de imagen resultante y su coste computacional.
- 1completoUn ecosistema modular y extensible con un protocolo común de línea de comandos, en el que cada método se empaqueta por separado con su propio entorno y un método nuevo se incorpora sin modificar el orquestador.
- 2en cursoMétricas confiables de recuperación de fuentes (completitud, pureza, completitud por magnitud y precisión fotométrica, por cruce uno a uno con el catálogo de verdad de DC2) y de calidad de imagen (PSNR, SSIM y ruido de fondo), cada una verificada contra al menos dos fuentes independientes de la literatura.
- 3en cursoHerramientas que miden el coste computacional de cada método (tiempo por región, memoria máxima y regiones por unidad de tiempo) desde fuera de su proceso, reportadas con la descripción del equipo.
- 4en cursoLos métodos evaluados: BM3D y una U-Net entrenada solo con regiones de DC2 que no están en el conjunto de evaluación, con su receta de entrenamiento y sus pesos publicados.
- 5pendienteUn benchmark reproducible sobre un conjunto de datos curado y versionado de DESC DC2, con regiones multibanda de varias zonas del cielo; cada versión se identifica por checksums y declara sus regiones, y todo resultado se reporta contra una versión concreta.
- UniverLab/astro-denoiseEl banco: orquestador, métricas científicas y la condición de control.
- UniverLab/astro-denoise-bm3dBM3D, la referencia clásica.
- UniverLab/astro-denoise-unetLa U-Net, la referencia de aprendizaje profundo.
- Q1¿Puede un denoiser subir la completitud sin dañar la pureza — o inventa fuentes que nunca estuvieron ahí?
- Q2¿Qué familia de métodos — filtros clásicos o modelos aprendidos — tiene más probabilidad de ayudar a la profundidad de LSST DC2, y cuánto?
- Q3¿Puede el benchmark completo repetirse con los mismos resultados científicos sobre la misma versión de datos y de código?
Investigación
Artefactos de investigación que cruzan los experimentos del laboratorio — artículos, datasets, benchmarks, modelos. Las primeras entradas vienen de esta línea; la lista crece solo a medida que se publica trabajo real.
- en preparación
Artículos
Publicaciones y preprints producidos por los experimentos del laboratorio.
- en preparación
Datasets
Datasets abiertos, empezando por los datos de benchmark de astro-denoise.
- en preparación
Benchmarks
Suites de benchmark reproducibles con supuestos documentados.
- en preparación
Modelos
Modelos entrenados publicados junto a sus recetas de entrenamiento.
Carta celeste: Yale Bright Star Catalogue (CDS V/50); líneas de constelaciones de d3-celestial, de Olaf Frohn (BSD-3-Clause).
Preguntas frecuentes
- ¿Qué es astro-denoise?
- Un proyecto de investigación que evalúa métodos de reducción de ruido en imágenes simuladas del Observatorio Vera Rubin (LSST DC2). Compara tres condiciones: un control sin procesamiento, BM3D como referencia clásica y una U-Net como referencia de aprendizaje profundo. El objetivo es recuperar galaxias tenues sin inventar las que nunca estuvieron — evaluado por recuperación científica (completitud + pureza), no por calidad visual.
- ¿Qué es la reducción de ruido en astronomía?
- Las imágenes astronómicas tienen ruido inevitable del detector y del cielo. La reducción de ruido busca bajar ese ruido preservando las fuentes reales. El riesgo: un método puede suavizar galaxias tenues reales o inventar falsas que nunca existieron.
- ¿Qué es LSST?
- El Legacy Survey of Space and Time — un relevamiento astronómico de 10 años que realizará el Observatorio Vera Rubin en Chile. Fotografiará todo el cielo visible repetidamente, produciendo el catálogo profundo de campo amplio más grande jamás hecho.
- ¿Qué es DC2?
- Data Challenge 2 — un conjunto de datos simulados que imita lo que LSST producirá, creado por la Dark Energy Science Collaboration (DESC). Incluye ruido realista, PSF y efectos atmosféricos, con un catálogo de verdad que dice exactamente qué fuentes son reales.