天文AI模型通过算法创新，从噪声中精准提取暗弱天体信号，从而显著提高图像质量。以清华大学团队开发的“星衍”模型为例，它攻克了极低信噪比下的高保真光子重构难题，将深空探测深度提升1个星等，并发现超过160个宇宙早期候选星系。

这相当于为望远镜植入了一个智能大脑，让原本模糊的宇宙图景变得清晰。

从“降噪”到“信号重建”

传统方法常把噪声当作需要消除的随机干扰，但过度处理容易“磨平”暗弱信号，导致科学信息丢失。“星衍”的核心创新在于光度自适应筛选机制：它不再孤立看待噪声，而是对噪声的涨落与星体本身的光度进行联合建模。

这个机制引导模型专注于提取极暗天体的真实光子信号，而非单纯追求图像干净。更关键的是，模型直接利用带有真实噪声的海量观测数据进行训练，无需人工标注，就能高保真地还原目标信号。这种方式从根源上避免了“为降噪牺牲信号”的误区，确保图像在变清晰的同时，不丢失关键科学细节。

智能数据处理策略

天文观测数据中常夹杂宇宙射线等瞬态干扰和天光背景等持续噪声。“星衍”首创了**“分时中位，全时平均”联合优化策略**来应对。

分时中位：对单次曝光图像取中位数，快速剔除像宇宙射线击中探测器产生的一次性亮斑（这类干扰亮度远高于正常信号，中位数能过滤异常值）。全时平均：对多帧去干扰后的数据进行加权平均，最大化暗弱信号的信噪比（多帧叠加让弱信号逐步“凸显”，而噪声因随机分布被抵消）。

这一双重机制在提升探测能力的同时，也降低了虚假信号产生的概率，保证了数据的科学性。它就像先筛掉沙子，再慢慢淘出金子，让暗弱天体从背景中浮现出来。

科学导向的训练与评价

如果沿用计算机视觉的通用指标，模型可能会把图像处理得“好看但失真”，比如磨平星系的不规则形态。“星衍”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、光度保持为核心指标。

这意味着模型的好坏，直接由它能发现多少暗弱天体、能否保持天体原始形状和亮度来决定。在这种科学需求引导下，模型的架构设计也更贴合实际观测逻辑，例如将深空观测中的多帧曝光策略内化为数据输入的一部分。

最终，“星衍”将詹姆斯·韦伯空间望远镜的探测准确度提升了1.6个星等，并让其等效观测口径从6.4米提升至近10米量级。这些突破让人类能更清晰地窥见宇宙的黎明。