摘要：天文图像对于探索和理解宇宙至关重要。能够进行深度观测的光学望远镜，如哈勃太空望远镜，在天文学界被大量订购。图像通常还包含加性噪声，这使得在进一步数据分析之前对数据进行后处理时，必须先去噪。为了最大限度地提高天文成像后处理的效率和信息增益，我们转向机器学习。我们提出了一种用于图像去噪和增强的卷积神经网络Astro U-net。为了证明这一概念，我们使用了来自WFC3仪器UVIS的哈勃太空望远镜图像以及F555W和F606W滤光片。我们的网络能够产生具有噪声特性的图像，就像它们是以两倍的曝光时间获得的一样，并且具有最小的偏差或信息损失。从这些图像中，我们能够恢复95-9%的恒星，平均通量误差为2-26%。此外，这些图像的平均信噪比比比输入噪声图像高1-63倍，相当于至少3张输入图像的叠加，这意味着未来天文成像活动所需的望远镜时间大大减少。

数据集：我们的数据集包含来自哈勃太空望远镜（HST）档案（图1）的200幅图像，这些图像分为160/20/20图像的训练、评估和验证数据集。数据集是人工选择的——我们通过一千多幅图像创建了最终的数据集，其中包括各种尺度的天文物体。

 添加噪声：

1、天文图像中的观测信号会受到各种噪声的影响。为了创建用于网络输入的合成数据，我们考虑光子散粒噪声、暗噪声和读出噪声。从远处探测到的光子数量具有固有的统计变化，与之相关的噪声是：

S是被相机捕捉的总信号，Pois(X)是X的泊松分布。

2、暗噪声来自探测器的热激发电子，它强烈地依赖于CCD的温度，并且与落在探测器上的光子无关，因此即使相机处于完全黑暗中，这种噪声也会持续存在。这个噪声也是泊松分布的，但是我们使用了由暗电流（DK）计算的高斯近似：

t：图像的曝光时间。

3、读出噪声（RON）是由CCD的电子器件引起的所有像素的均匀噪声。我们使用WFC3仪器手册1中的读出噪声和暗电流值。

曝光时间比率是真实图像的曝光时间与较短模拟图像的曝光时间之间的比率。不同比率的示例如图1所示。

在添加噪声之前，我们通过分割真实图像来创建合成的短曝光图像，通过曝光时间比