희귀 초신성·티디이 분류를 위한 주의 기반 데이터 증강 프레임워크

초록

본 논문은 이미지와 광변광곡선을 동시에 활용하는 NEEDLE 분류기에, 이미지 아티팩트 제거와 무관한 전경·배경 소스 마스킹을 적용한 전처리 파이프라인을 제안한다. 유사도 지수(Similarity Index)와 마스킹으로 핵심 픽셀에 ‘주의’를 집중시키고, 회전·재배치를 통한 이미지 증강과 2‑차원 Gaussian Process 기반 광변광곡선 모델링·레드시프트 재샘플링을 결합해 희귀 초광대형 초신성(SLSNe‑I)과 조석 파괴 사건(TDE) 학습 데이터를 인위적으로 확대한다. 증강된 데이터로 재학습한 모델은 신뢰도 0.8 이상에서 SLSNe‑I는 75% 순도·75% 완전도, TDE는 43% 순도·66% 완전도를 달성한다.

상세 분석

이 연구는 희귀 천체 분류에서 가장 큰 장애물인 클래스 불균형과 이미지 품질 저하 문제를 데이터‑중심 접근법으로 해결한다. 먼저, 원본 ZTF 이미지에 존재하는 결함(예: 포화 별, 칩 갭, 회절 스파이크 등)을 정량화하기 위해 ‘Similarity Index’를 도입한다. 이 지표는 이미지와 동일한 관측 조건에서 추출한 청정 템플릿 이미지와의 구조적 유사성을 SSIM(Structural Similarity) 기반으로 평가해, 일정 임계값 이하인 경우를 자동으로 제외한다. 이후, 전경·배경에 존재하는 무관한 소스(별, 은하, 잡음 등)를 식별하고 마스크 처리한다. 마스크는 전이 학습된 U‑Net 형태의 세그멘테이션 모델을 이용해 transient와 host galaxy 영역만을 보존하고, 나머지 픽셀을 주변 배경 통계에 맞는 가우시안 노이즈로 채워 넣는다. 이렇게 하면 학습 단계에서 네트워크가 실제 물리적 신호에만 ‘주의’를 기울이게 된다.

이미지 증강 단계에서는 마스크된 이미지를 임의 각도로 회전하고, 좌우·상하 반전, 그리고 작은 스케일 변환을 적용한다. 회전은 특히 호스트가 원형이 아닌 경우에도 물리적 의미를 유지하도록, 회전 전후의 호스트 중심을 재정렬하는 절차를 포함한다. 이러한 변환은 기존 87개의 SLSNe‑I와 64개의 TDE 이미지 수를 각각 10배 이상으로 확대한다.

광변광곡선 증강은 2‑차원 Gaussian Process(GP)를 사용해 다밴드 관측을 동시에 모델링한다. GP는 시간축과 파장축을 공동 커버리지를 갖는 커널(예: Matern 3/2 × RBF)로 정의해, 관측 간격이 불규칙한 경우에도 부드러운 추정치를 제공한다. 학습된 GP 모델을 기반으로 파라미터(peak flux, rise time, decay time 등)를 무작위로 샘플링하고, 원하는 적색 이동(z)값에 따라 파장과 시간 스케일을 재조정한다. 이렇게 생성된 합성 광변광곡선은 원본 데이터와 동일한 관측 노이즈 특성을 유지하도록, 실제 측정 오차 분포를 통해 잡음을 추가한다.

가장 혁신적인 부분은 이미지와 광변광곡선을 ‘클래스 내 교차 매칭’하는 절차이다. 동일 클래스(예: SLSNe‑I) 내에서 임의로 선택된 합성 광변광곡선을 해당 클래스의 실제 호스트 이미지와 결합한다. 이때 호스트의 절대 밝기와 색상 분포를 보존하면서, 합성 광변광곡선의 위치를 호스트 중심에 맞추어 삽입한다. 결과적으로 각 합성 샘플은 물리적으로 일관된 이미지‑광변광곡선 쌍을 제공한다.

증강 데이터셋을 사용해 재학습한 NEEDLE 모델은 기존 모델 대비 정확도와 재현율이 크게 향상되었다. 특히, 신뢰도 0.8 이상에서 SLSNe‑I는 순도 75%·완전도 75%를, TDE는 순도 43%·완전도 66%를 기록했다. Ablation 실험에서는 (1) 이미지 아티팩트 제거만 적용했을 때 순도·완전도가 각각 5–7% 상승, (2) 마스킹만 적용했을 때 10% 이상 상승, (3) 전체 파이프라인을 적용했을 때 최대 성능 향상이 관측되었다. 이는 데이터 품질 개선이 모델 구조 개선보다 더 큰 영향을 미칠 수 있음을 실증한다. 또한, 합성 데이터가 실제 관측과 거의 구분되지 않음이 SSIM·Fréchet Inception Distance(FID) 지표에서 확인되었다.

한계점으로는 GP 기반 광변광곡선 생성이 매우 드문 특이 현상(예: 급격한 플레어, 복합적인 재활성)에는 충분히 표현하지 못한다는 점이다. 또한, 마스크 과정에서 호스트 주변의 미세 구조(예: 꼬리, 스트림)가 손실될 위험이 있다. 향후 연구에서는 물리 기반 시뮬레이션과 데이터‑중심 증강을 혼합하고, Transformer 기반 이미지‑시계열 통합 모델을 도입해 더욱 정교한 특징 학습을 목표로 한다.