问题： 深空天体信号极其微弱，常常被复杂噪声掩盖；以空间望远镜为例，观测数据受到天光背景噪声、望远镜热辐射噪声和宇宙射线等瞬态干扰的共同影响，导致低信噪比条件下出现细节缺失和形态失真等问题。随着天文观测进入"极深场"时代，传统处理方法在提升探测深度与保持形态保真度之间的矛盾日益突出：既要看得更深，又要看得更准。 原因： 深空观测需要长时间曝光和高灵敏度，但噪声会随之累积并呈现不稳定波动。同时，不同波段和设备的噪声特性差异显著，单一经验模型难以通用。此外，天文数据缺乏可大规模标注的标准样本——人工标注不仅成本高——还可能引入主观偏差。这些问题制约了成像算法对微弱信号的有效提取，影响对遥远星系、微弱结构和稀有天体的识别效率。 影响： 清华大学自动化系戴琼海院士团队与天文系蔡峥副教授团队合作开发了"星衍"(ASTERIS)时空自监督计算成像模型。该模型通过建立噪声涨落与星体光度的耦合关系，实现了极低信噪比环境下的光子重构，并采用"分时中位、全时平均"等优化策略，在抑制宇宙射线干扰的同时增强微弱信号。 测试结果表明，该方法可将深空探测深度提升约1个星等，探测准确度最高提升1.6个星等。这相当于提高了望远镜的等效口径观测能力。研究团队应用该方法处理观测数据后，新发现了160余个宇宙大爆炸后2亿至5亿年的高红移候选星系，数量是同类研究的3倍，对应的成像构成了目前国际最深邃的深空星系图像之一。这表明在不增加硬件成本的情况下，通过算法提升数据利用率可以显著提高科学产出。 对策： 该研究创新点在于建立了面向天文观测的专用评价体系。传统图像处理常用的通用视觉指标可能会牺牲真实信号，影响天体测光、形态分类等关键环节。研究团队提出的评估框架以探测能力和形态保真为核心，将算法优化从"更清晰"导向"更科学"。该方法直接利用真实观测数据训练，无需人工标注样本，提高了模型迁移效率。"星衍"具有跨平台兼容性，可覆盖从可见光到中红外的波段范围，已在空间和地面望远镜观测中得到验证。 前景： 未来深空探测将从"发现天体"转向"解答问题"。研究早期星系形成、宇宙再电离等重大问题需要更精确测量遥远微弱的信号；系外行星和恒星物理研究也依赖高质量数据重建。随着观测数据量增长和波段覆盖扩展，自监督计算成像方法将成为天文数据处理的重要工具。但需注意，高红移候选星系的确认仍需多波段交叉验证和后续观测。建立开放评测基准、共享可复现处理流程将有助于实现更可持续的科学发现。
人类探索宇宙的脚步始终受限于观测能力；清华团队的这项突破通过计算科学与天文观测的深度融合，充分挖掘了现有设备的潜力。这不仅展示了我国科学家的创新能力，也预示着在新一代空间望远镜时代，算法与硬件的协同进步将帮助人类看得更远、更清晰。这样的科技进步正在逐步揭开宇宙最深处的奥秘。