Si todos los satélites Starlink tuvieran cámaras de nivel de teléfono y visores simples, ¿podrían ser competitivas las imágenes procesadas por su red de imágenes de súper resolución?

Entonces, limitándome a las observaciones espaciales:

No, por varias razones.

I. Desde un punto de vista astronómico, las cámaras de los teléfonos celulares son terribles para captar imágenes. Por sí mismos, tienen pequeñas aberturas, normalmente de 1 o 2 mm de diámetro. Las aperturas más grandes hacen dos cosas: mejoran la resolución angular máxima posible y recogen más luz. La resolución escala con el diámetro de la apertura; el Telescopio Espacial Hubble (HST) , con su espejo principal de 2,4 metros de diámetro, tiene una resolución unas dos mil veces mejor que la cámara de un teléfono móvil. El poder de captación de luz escala con el área de la apertura; esto significa que HST tiene el poder de captación de luz de aproximadamente 5 millones de cámaras de teléfonos celulares de 1 mm de apertura.

Ahora, dijiste "en telescopios simples", lo que implica que estás usando la cámara del teléfono celular solo para su generador de imágenes (el sensor de imagen y la óptica que lo acompaña). Pero ahora tienes que gastar dinero extra en el telescopio real , incluida la óptica especial que envía su luz al módulo de la cámara; este telescopio probablemente tendrá al menos un metro de tamaño y una masa de cientos de kilogramos, lo que significa que será al menos tan grande como la propia nave espacial Starlink.

Hay otros problemas, como la falta de filtros seleccionables por el usuario. La cámara WFC3-UVIS (UV + óptica) en HST tiene alrededor de 60 filtros diferentes, para usar en responder diferentes tipos de preguntas científicas; el sensor de la cámara de un teléfono celular no tiene filtros, excepto los filtros R, G y B por píxel que tienen los sensores de imagen de la cámara para uso del consumidor. Incluso si agregara un módulo de filtro frente al módulo de la cámara, los filtros RGB fijos por píxel significarían que solo 1/3 de los píxeles se podrían usar en un momento dado (por ejemplo, si seleccionó un "rojizo" filtro, solo los píxeles con filtros R por píxel verían alguna luz).

Las cámaras de los teléfonos móviles también tienen componentes electrónicos ruidosos, lo que genera imágenes ruidosas. Esto se debe a que el uso típico de la cámara de un teléfono celular involucra escenas absolutamente inundadas de luz (al menos desde la perspectiva de un astrónomo). El ruido adicional de la electrónica generalmente no se nota en tales casos. Pero si está tratando de observar objetos astronómicos débiles, realmente importa. Los generadores de imágenes astronómicas de luz visible son de mayor calidad y se enfrían a temperaturas de nitrógeno líquido para reducir el ruido electrónico.

II. Hay más en hacer un telescopio espacial astronómico que funcione que simplemente pegar un módulo de cámara en un satélite. Debe poder apuntar todo con mucha precisión a su objetivo y mantenerlo apuntando en la dirección correcta mientras toma una imagen, aunque el satélite se mueva rápidamente por el espacio. Para hacer esto, necesita cámaras y sensores auxiliares ("guía"), y computadoras para analizar las imágenes de las estrellas vistas por las cámaras guía y calcular los ajustes necesarios, y algunos medios para rotar el satélite para mantenerlo apuntado correctamente, a través de giroscopios. , ruedas de reacción o pequeños propulsores.

tercero Las "redes de imágenes de superresolución" no existen, excepto en el caso de las matrices interferométricas (de las cuales el Event Horizon Telescope es un ejemplo). Pero estos funcionan preservando y combinando la información de fase de la luz entrante de múltiples telescopios. En el caso de los radiotelescopios, la fase cambia lo suficientemente lento como para poder grabarla y combinarla más tarde en una (super)computadora. En el caso del EHT, los datos registrados de unos pocos días de observaciones eran tan voluminosos que se cargaron en discos duros que se enviaron a un centro de procesamiento central.

La luz óptica cambia de fase demasiado rápido para ser registrada de manera factible (y si pudiera, ¿cómo transmitiría la información?), por lo que la combinación debe hacerse en tiempo real enviando la luz desde diferentes telescopios a un instrumento central. Por lo tanto, no desea que una "cámara" registre imágenes en cada satélite; en cambio, desea algún medio para redirigir la luz entrante a un satélite central especial donde se combinan los haces de luz. La combinación tiene que hacerse con una precisión exquisita. Esto es posible en tierra, donde ninguno de los telescopios se mueve; en órbita, con todos los satélites moviéndose constantemente entre sí, esto sería terriblemente difícil.

(Tenga en cuenta que no he mencionado nada sobre el uso de "redes neuronales" u otras formas de aprendizaje automático. Eso se debe a que serían inútiles, ya que están destinados a producir datos inventados de apariencia plausible, y lo que desea son datos reales : - lo que realmente hay en el espacio en este momento).

Esta pregunta parece ser específicamente sobre la observación terrestre, pero las limitaciones subyacentes son las mismas que las de las imágenes astronómicas.

Al combinar varias imágenes, puede hacer cosas como:

• Reduzca el ruido del sensor o la interferencia de las partículas ionizantes que golpean el sensor.
• Del mismo modo, rechace los transitorios como destellos de luz solar reflejada, aviones que pasan, etc.
• Combine imágenes desde diferentes ángulos o momentos para compensar las condiciones de iluminación, genere imágenes de mayor contraste o resalte cambios, elimine obstrucciones o haga modelos 3D.
• Compensar un sensor de baja resolución.

Lo que no puede hacer es aumentar la resolución más allá del límite de difracción de la óptica de imagen. En el mejor de los casos, puede producir una mejor imagen del producto borroso de difracción de la óptica.

Las técnicas de aprendizaje automático se pueden usar para adivinar qué características podrían producir la imagen borrosa, pero realmente no estás imaginando esas características. Si sabe que un vehículo es de una marca y modelo en particular, puede sintetizar una imagen más nítida de él, pero esto es agregar información a la imagen, no extraer más de ella. Una red neuronal buscará lo que ha sido entrenada para encontrar, en lugar de lo que realmente está ahí... al final, acabas de automatizar la pareidolia. Mire DeepDream para ver ejemplos extremos de esto en acción.