[논문 리뷰] Simple Improved Reference Subtraction for H4RG, H2RG, and H1RG Near-infrared Array Detectors

B. Rauscher, Dale J. Fixsen외 1명|arXiv (Cornell University)|2026. 02. 02.

Advanced Semiconductor Detectors and Materials인용 수 0

한 줄 요약

논문은 Simple Improved Reference Subtraction (SIRS)를 제안합니다. 이는 Teledyne HxRG 검출기의 상관 읽기 잡음을 억제하기 위해 임베디드 참조 열을 활용하는 최소제곱 기반의 후처리 방법으로, 학습 가능한 프런트엔드와 Julia 기반 백엔드를 갖습니다.

ABSTRACT

Teledyne's H4RG, H2RG, and H1RG near-infrared array detectors provide reference pixels embedded in their data streams. Although they do not respond to light, the reference pixels electronically mimic normal pixels and track correlated read noise. In this paper, we describe how the reference pixels can be used with linear algebra and training data to optimally reduce correlated read noise. Simple Improved Reference Subtraction (SIRS) works with common detector clocking patterns and, when applicable, relies only on post-processing existing data so long as the reference pixels are available. The resulting reference correction is optimal, in a least squares sense, when the embedded reference pixels are the only references and the reference columns on the left and right are treated as two reference streams. We demonstrate SIRS using H4RG ground test data from the Nancy Grace Roman Space Telescope Project. The Julia language SIRS software is freely available for download from the NASA GitHub. The package includes a python-3 ``backend'' that can be used to apply SIRS corrections if a SIRS calibration file has been provided by the instrument builders.

연구 동기 및 목표

• HxRG 근적외선 이미지에서 상관된 저주파 읽기 잡음을 줄인다.
• 임베디드 참조 픽셀(좌/우 열 및 상/하 행)을 활용하여 최적의 잡음 보정을 구성한다.
• 일반적인 클로킹 패턴과 오직 후처리로 작동하는 최소제곱, 매개변수 없는 보정을 제공한다.
• 참조 픽셀을 사용할 수 있는 아카이브 데이터에 적용 가능성을 가능하게 한다.
• SIRS 보정을 학습 및 적용하기 위한 소프트웨어 도구(Julia 패키지)를 제공한다.

제안 방법

• 일반 픽셀 잡음을 왼쪽/오른쪽 참조 열 잡음의 선형 합으로 Fourier 공간에서 모델링한다.
• 데이터 공백을 처리하고 잡음 공분산이 대각에 가깝게 되는 Fourier 공간으로 신호를 투사하기 위해 불완전 실수 Fourier 변환(IRFT)을 사용한다.
• 학습 다크 프레임을 사용하여 주파수 의존 이득(alpha와 beta)을 최소제곱으로 구한다.
• 합계된 참조/픽셀 공분산(L, R, X, Y, Z)에 대해 alpha와 beta(식 13-14)의 해석적 표현을 도출한다.
• 대규모 다크 세트(프런트엔드)에서 방법을 학습하고 새로운 데이터에 보정을 적용한다(백엔드).
• 나이퀴스트 선을 넘는 주파수는 0으로 제거하여 복원 가능한 잡음 성분에 보정을 집중한다.

실험 결과

연구 질문

• RQ1 일반 관찰 패턴에서 SIRS가 H4RG/H2RG/H1RG 검출기의 상관된 저주파 읽기 잡음을 신뢰성 있게 감소시킬 수 있는가?
• RQ2 사용 가능한 참조 스트림을 고려할 때 SIRS 보정이 최소제곱 sense에서 최적인가?
• RQ3 SIRS가 학습 다크에서 과학 데이터로 일반화되는 정도는 어떠하며, 참조 픽셀이 그대로 있는 아카이브 데이터를 포함하는가?
• RQ4 실제 적용을 위한 실용적 학습 요건(데이터 양, 계산량)과 런타임 영향은 무엇인가?
• RQ5 검출기 구성 및 클로킹 패턴에 따라 SIRS의 성능은 어떻게 달라지는가?

주요 결과

• SIRS는 저주파에서 1/f 노이즈를 거부하는 데 매우 효과적이다.
• 읽기 잡음 공분산은 푸리에 공간에서 현저히 더 대각선이며, 최적화를 단순화한다.
• 다크로의 학습(일반적으로 100 up-the-ramp 다크, 각 60 프레임)은 견고한 LS 추정을 위한 약 6,000 프레임을 제공한다.
• 이 방법은 좌우 참조 열을 사용하여 0 Hz 오프셋에 대한 전통적 참조 행과 함께 0 Hz보다 높은 주파수를 모델링한다.
• 보정은 선형이고 결정적이며 모델 하에서 최소제곱 sense에서 최적이다.
• 실용적인 학습 시간은 표준 서버에서 HxRG당 약 ~1시간 정도이며; 백엔드 보정은 런타임 면에서 일반적인 참조 보정과 비슷하다.