2月21日，IT之家获悉，清华大学日前宣布，由自动化系戴琼海院士团队与天文系蔡峥副教授团队（以下简称研究团队）共同研发的时空自监督计算成像模型——星衍（ASTERIS），成功攻克了极低信噪比条件下的高保真光子重构难题。这一突破将天文观测的探测深度推向新的极限，使詹姆斯·韦伯空间望远镜的探测深度提升了一个星等，并发现了三倍于以往研究的极暗弱高红移候选天体，绘制出迄今最深远、最极致的深空星系图像。

相关研究成果已于北京时间2月20日以《自监督时空降噪提升天文成像探测极限》为题，以长文形式在《科学》杂志上优先发表。审稿人对其给予高度评价，称其为“杰出的工作与强大的工具”，并认为“将对天文学领域产生重要影响”。

IT之家从最新新闻稿获悉，此前利用AI模型处理天文数据的研究并不少见，但多数沿用了计算机视觉领域的通用性能指标。这些指标容易将模型导向一种误区：数据变得干净平滑的同时，算法可能磨平了极暗弱信号，甚至改变了天体的真实形态。

研究团队构建了一套基于天文科学的AI评价体系，摒弃了单纯的视觉效果提升，转而以探测能力、形态保真、光度保持等为核心评价指标。团队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，从科学需求出发引导星衍的架构设计。

另一方面，星衍在增强探测深度的同时，还着力确保探测结果的准确性。模型首次采用“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，同时降低了虚假信号的产生概率，保证了天文数据的科学可靠性。

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：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系统，数量是先前的三倍。

这些星系系统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远、最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延伸到中红外。

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，植入了智能的AI大脑。

IT之家附论文链接