Arc d'émission en [O III] au voisinage de la galaxie d'Andromède

L'IA au service de l'imagerie scientifique. AI applied to scientific imaging.

Yann Sainty · Traitement d'images et vision embarquée Yann Sainty · Image processing and embedded vision

SDSO 1 — arc en [O III], la raie de l'oxygène doublement ionisé, d'environ 1,5° en direction de M 31, co-découvert en 2022. Image : Sainty, Drechsler, Strottner. — [O III] arc, the doubly ionised oxygen line, roughly 1.5° across, toward M 31, co-discovered 2022. Image: Sainty, Drechsler, Strottner.

Développeur indépendant en Alsace depuis 11 ans, je conçois des pipelines de traitement d'images et des modèles de vision entraînés qui tournent en inférence embarquée.

En parallèle, je suis astronome amateur engagé dans des collaborations pro-am : co-auteur de 5 publications scientifiques, et co-découvreur d'une douzaine d'objets célestes — l'arc en [O III] de M 31, la structure M31 Blossom, trois rémanents de supernova, des candidates nébuleuses planétaires et un candidat objet Herbig-Haro.

Ces deux activités sont le même métier : extraire de l'information d'images sous contrainte physique.

An independent developer based in Alsace, France, for 11 years, I build image-processing pipelines and trained vision models that run as embedded inference.

Alongside this, I am an amateur astronomer working in pro-am collaborations: co-author of 5 peer-reviewed papers, and co-discoverer of a dozen celestial objects — the [O III] arc near M 31, the M31 Blossom structure, three supernova remnants, several planetary nebula candidates and one Herbig-Haro object candidate.

The two are one and the same craft: extracting information from images under physical constraint.

01

Savoir-faire, et où il est prouvéWhat I can do, and where it is proven

Les trois études de cas qui suivent portent sur des images du ciel. Ce qui s'y joue n'a rien de propre à l'astronomie. Ce sont des images faibles et bruitées, prises sous contrainte physique, où l'erreur ne se voit pas à l'œil et où c'est la mesure qui tranche. La même classe de contrainte se retrouve en imagerie satellite comme en imagerie industrielle. Un modèle n'y est jamais le but. Mettre de l'IA en production, c'est la loger dans une chaîne qui mesure ce qu'elle fait et qui tient devant quelqu'un qui vérifie. The three case studies that follow deal with images of the sky. Nothing at stake in them is specific to astronomy. These are faint, noisy images taken under physical constraint, where the error is invisible to the eye and measurement is what settles it. The same class of constraint shows up in satellite imaging and in industrial imaging alike. A model is never the point. Putting AI into production means housing it in a pipeline that measures what it does and that holds up in front of someone checking.

Lire une image astronomiqueReading an astronomical image

Savoir ce qu'une image du ciel autorise et ce qu'elle interdit : bruit de photons, fond de ciel qui bouge d'une pose à l'autre, objets étendus à très bas contraste, artefacts d'instrument qui ressemblent à des objets. C'est ce qui empêche d'appliquer une recette de vision généraliste à une donnée physique, et c'est ce qui manque le plus souvent aux équipes qui ont déjà des ingénieurs image.Knowing what an image of the sky allows and what it forbids: photon noise, a sky background that shifts from one exposure to the next, extended objects at very low contrast, instrumental artefacts that look like objects. It is what stops you applying a generic vision recipe to physical data, and it is what teams who already have imaging engineers most often lack.

Cas 1 · 2 · 3Cases 1 · 2 · 3

Inférence embarquéeEmbedded inference

Faire tourner un modèle sur l'appareil, sans réseau, sous contrainte mémoire et thermique, avec une sortie vérifiée identique au calcul de référence.Running a model on the device, with no network, under memory and thermal constraints, with an output verified identical to the reference computation.

Cas 1Case 1

Entraînement sans vérité terrainTraining without ground truth

Construire un jeu d'apprentissage quand il n'en existe aucun, puis diagnostiquer ce que le modèle a réellement appris plutôt que ce qu'on espérait.Building a training set when none exists, then diagnosing what the model actually learned rather than what was hoped for.

Cas 1Case 1

Chaînes autonomes et auto-vérifiéesSelf-checking autonomous pipelines

Une chaîne qui mesure la donnée, en dérive ses réglages et contrôle chacune de ses étapes, au lieu de rejouer une recette réglée sur d'autres données.A pipeline that measures the data, derives its settings from it and checks each of its own stages, instead of replaying a recipe tuned on other data.

Cas 1Case 1

Fusion de sources hétérogènesFusing heterogeneous sources

Rendre comparables des surveys multi-bandes, de l'ultraviolet à l'infrarouge, qui n'ont ni la même résolution, ni la même profondeur, ni les mêmes conventions de mesure.Making multi-band surveys comparable, from ultraviolet to infrared, when they share neither resolution, nor depth, nor measurement conventions.

Cas 2Case 2

Décision et rejet mesurésMeasured decisions and rejections

Un modèle dont on mesure le taux de rejet autant que le taux de détection, et dont les décisions négatives sont documentées et relues.A model whose rejection rate is measured as carefully as its detection rate, and whose negative decisions are documented and reviewed.

Cas 2Case 2

Du signal au résultat défendableFrom signal to defensible result

Mener une mesure jusqu'au niveau où elle résiste à la relecture par des tiers, avec un livrable de forme constante y compris quand la réponse est non.Carrying a measurement to the level where it survives third-party review, with a deliverable of constant form including when the answer is no.

Cas 3Case 3

La même exigence, en clientèle Cette façon de mener un système jusqu'à la production, et de l'y maintenir, ne s'arrête pas à l'imagerie. En clientèle elle porte des agents, des serveurs MCP (Model Context Protocol) et des outils internes : validation humaine sur les décisions qui engagent, versioning, déploiement, documentation transmise aux équipes. Des systèmes qui tournent encore le mois suivant, et dont chaque décision peut s'expliquer. En marque blanche ou sous confidentialité, ils ne sont pas détaillés ici. The same standard, in client work This way of carrying a system through to production, and keeping it there, does not stop at imaging. In client work it carries agents, MCP (Model Context Protocol) servers and internal tooling: human validation on decisions that commit, versioning, deployment, documentation handed over to the teams. Systems that are still running a month later, and whose decisions can all be explained. White-label or under confidentiality, they are not detailed here.

02

Trois études de casThree case studies

Cas 1 — Chaîne autonome, traitement à bordCase 1 — Autonomous pipeline, on-board processing

Une chaîne de traitement qui se règle elle-même, de la donnée brute à l'image finale An image pipeline that tunes itself, from raw data to finished image

35s
Chaîne complète, de la donnée brute à l'image finale, sur un iPhone de génération précédente.Full chain, raw data to finished image, on a previous-generation iPhone.
90s
Même chaîne complète sur un Pixel 7.Same full chain on a Pixel 7.
0
Paramètre à saisir. Le temps a par ailleurs été divisé par deux depuis la première version fonctionnelle.Parameters to enter. Runtime has also been halved since the first working version.
Problème

Traiter une image astronomique, c'est enchaîner des dizaines de décisions normalement prises à la main, à l'œil, image par image. Chacune dépend de la donnée elle-même et de ce que les étapes précédentes ont produit. Automatiser cela naïvement revient à figer une recette, et une recette figée casse dès que la donnée sort du domaine pour lequel elle a été réglée. Or aucune nuit d'acquisition ne ressemble à la précédente.

Méthode

La chaîne est fermée sur elle-même et ne comporte aucun réglage utilisateur. À chaque étape elle mesure l'image qu'elle reçoit, dérive ses propres paramètres de cette mesure, applique, puis remesure pour vérifier que l'étape a produit l'effet attendu. Si la vérification échoue, l'étape est reprise autrement. Aucune valeur n'est écrite en dur. Ce sont les mesures qui portent les décisions, de la donnée brute jusqu'à l'image finale.

Le maillon difficile

Certaines étapes ne se réduisent pas à une mesure. La séparation des étoiles et de la nébulosité demande un modèle de vision entraîné, et aucun jeu annoté n'existe pour cette tâche. Le seul outil de référence du marché interdit d'ailleurs, par contrat, d'en dériver quoi que ce soit. Il a fallu fabriquer la vérité terrain. Le modèle s'est alors mis à reproduire fidèlement un défaut présent dans cette vérité terrain, constaté par mesure de profil et non supposé. Ce diagnostic a condamné la stratégie de départ. Il a fallu changer la nature de la cible et en fabriquer une qui soit exacte par construction, non dérivée d'un traitement existant.

Déploiement

L'ensemble tourne sur un téléphone, intégralement sur l'appareil et sans réseau, sous contrainte mémoire et thermique. Chaque étape a été vérifiée identique au calcul de référence avant d'être optimisée.

Problem

Processing an astronomical image means chaining dozens of decisions normally taken by hand, by eye, frame by frame. Each one depends on the data itself and on what the preceding stages produced. Automating that naively amounts to freezing a recipe, and a frozen recipe breaks the moment the data falls outside the range it was tuned for. No two nights of acquisition are alike.

Method

The pipeline is a closed loop and exposes no user settings. At every stage it measures the image it receives, derives its own parameters from that measurement, applies them, then measures again to confirm the stage did what it was supposed to do. If the check fails, the stage is retried differently. Nothing is hard-coded. Measurements carry the decisions, from raw data through to the finished image.

The hard link

Some stages do not reduce to a measurement. Separating stars from nebulosity calls for a trained vision model, and no annotated dataset exists for that task. What is more, the one reference tool on the market contractually forbids deriving anything from it. The ground truth had to be built. The model then began faithfully reproducing a flaw present in that ground truth, established by profile measurement rather than assumed. That diagnosis condemned the initial strategy. The way out was to build a target that is exact by construction rather than derived from an existing process.

Deployment

The whole chain runs on a phone, entirely on-device and with no network, under memory and thermal constraints. Every stage was verified identical to the reference computation before being optimised.

Aucune comparaison à un produit tiers n'est faite ici, et aucune ne serait honnête. Les chiffres ci-dessus mesurent une chaîne contre ses propres versions antérieures. No comparison to any third-party product is made here, and none would be honest. The figures above measure one pipeline against its own earlier versions.

Chaîne fermée : chaque étape mesure, décide, applique et vérifie LA CHAÎNE, DE BOUT EN BOUT THE CHAIN, END TO END Données brutes Raw data Étape n−1 Stage n−1 Étape n Stage n Étape n+1 Stage n+1 Image finale Finished image CE QUE FAIT CHAQUE ÉTAPE WHAT EVERY STAGE DOES Mesurer Measure l'image en entrée the image it receives Dériver Derive ses propres réglages its own settings Appliquer Apply Vérifier Verify l'effet obtenu the effect obtained si la vérification échoue, l'étape est reprise autrement if the check fails, the stage is retried differently Aucune valeur écrite en dur. Aucun paramètre saisi par l'utilisateur. Nothing hard-coded. No parameter entered by the user.
Schéma de principe. Ni les grandeurs mesurées, ni les seuils, ni la liste réelle des étapes ne sont représentés. Schematic principle. Neither the measured quantities, nor the thresholds, nor the actual list of stages are represented.
Ce que le cas démontreWhat this case demonstrates

Une chaîne de décision autonome qui s'adapte à la donnée au lieu de lui imposer une recette, qui contrôle chacune de ses étapes, et qui tient dans l'enveloppe mémoire et thermique d'un appareil mobile. C'est la contrainte même du traitement embarqué à bord d'un instrument. An autonomous decision chain that adapts to the data instead of imposing a recipe on it, that checks each of its own stages, and that fits inside the memory and thermal envelope of a handheld device. That is the constraint of on-board processing itself.

M 27, nébuleuse de l'Haltère, sortie de chaîne
M 27, nébuleuse de l'Haltère, donnée brute
EntréeInput SortieOutput

Faites glisser la ligne blanche.
À gauche la donnée brute, à droite la sortie de chaîne. Drag the white line.
Raw data on the left, pipeline output on the right.

Trois jeux de données différents, la même chaîne, aucun paramètre saisi. Les cibles n'ont ni le même fond de ciel, ni la même densité d'étoiles, ni le même rapport signal sur bruit. Three different datasets, the same pipeline, no parameter entered. The targets share neither sky background, nor star density, nor signal-to-noise ratio.
Aller plus loinGo deeperPourquoi une recette figée dérive en silence, le diagnostic qui a condamné la première version du modèle, et ce que coûte vraiment le portage sur téléphone.Why a frozen recipe drifts silently, the diagnosis that condemned the first version of the model, and what porting to a phone really costs.

Pourquoi une recette figée ne tient pas

Un traitement réglé à la main l'est pour une nuit, un ciel, un instrument et une cible. Changez l'un des quatre et les réglages ne valent plus rien. Le fond de ciel n'a plus la même pente, le bruit n'a plus la même statistique, la densité d'étoiles a changé, le suivi n'a pas la même qualité. Une automatisation qui se contente de rejouer les réglages de la veille donne des résultats corrects tant que la donnée ressemble à celle sur laquelle elle a été mise au point, puis des résultats faux, sans prévenir. C'est cette absence d'avertissement qui pose vraiment problème. Une chaîne qui échoue franchement se répare. Une chaîne qui dérive en silence contamine tout ce qui la suit.

Ce que veut dire mesurer à chaque étape

Chaque étape commence par caractériser l'image qu'elle reçoit, en déduit ses réglages, puis compare sa sortie à son entrée pour vérifier que l'effet obtenu est celui qui était visé. La comparaison est quantitative, jamais visuelle. Si l'écart mesuré sort du domaine attendu, l'étape est reprise par une autre voie au lieu d'être validée par défaut. Cela vaut mieux que de la vitesse. La chaîne n'a pas de domaine de validité déclaré à l'avance, elle constate elle-même quand elle sort du sien.

Le maillon qui a tout remis en cause

Certaines étapes ne se ramènent pas à une mesure. Séparer les étoiles de la nébulosité en fait partie, parce qu'aucun critère analytique ne tient sur toute la variété des champs stellaires. Un modèle supervisé était donc nécessaire, et il n'existe aucun jeu annoté pour cette tâche. Le seul outil de référence du marché aurait pu servir de générateur d'exemples, mais sa licence l'interdit explicitement. La vérité terrain a donc été fabriquée.

La première version fonctionnait, en apparence. Une mesure de profil sur les sorties a montré que le modèle reproduisait, avec une fidélité remarquable, un défaut systématique présent dans la vérité terrain elle-même. Le modèle n'avait pas échoué. Il avait parfaitement appris ce qu'on lui montrait, défaut compris. Ce constat a condamné toute la stratégie, puisque mieux entraîner n'aurait fait que mieux reproduire le défaut. La sortie a été de changer la nature de la cible et de construire une vérité terrain exacte par construction, plutôt que dérivée d'un traitement existant qui portait ses propres erreurs.

Un défaut d'architecture a par ailleurs été identifié et corrigé. Il produisait une classe entière d'artefacts, reconnaissables et reproductibles, qu'aucun réglage ni aucun entraînement plus long n'aurait fait disparaître.

Ce que coûte réellement le passage sur téléphone

Le portage n'est pas une affaire de vitesse mais d'identité du résultat. Deux appareils, deux fabricants, deux piles graphiques, des précisions numériques qui diffèrent, et un plafond mémoire qui interdit de tenir l'image entière. Chaque étape a donc été comparée au calcul de référence avant d'être optimisée, et l'optimisation n'a été retenue que lorsque la sortie restait identique. S'y ajoutent la limitation thermique, qui fait chuter la fréquence au bout de quelques dizaines de secondes et rend le temps de calcul dépendant de l'historique récent de l'appareil, et l'absence de réseau, qui interdit tout recours à un serveur. La chaîne complète tient dans cette enveloppe.

Ce qui n'est pas publié ici

Les grandeurs mesurées à chaque étape, les seuils de bascule, la liste réelle des étapes, la composition du jeu d'entraînement, la nature de la contrainte de forme dans la fonction de coût et le changement d'architecture. Le niveau de détail ci-dessus est celui d'un résumé d'article, pas d'une section méthodes.

Why a frozen recipe does not hold

A hand-tuned process is tuned for one night, one sky, one instrument and one target. Change any of the four and the settings are worthless. The sky background no longer has the same slope, the noise no longer has the same statistics, the star density has changed, the tracking is not of the same quality. An automation that simply replays yesterday's settings gives correct results as long as the data resembles what it was tuned on, then wrong results, with no warning. That absence of warning is the real problem. A pipeline that fails outright can be repaired. A pipeline that drifts silently contaminates everything downstream.

What measuring at every stage actually means

Each stage begins by characterising the image it receives, derives its settings from that, then compares its output to its input to check that the effect obtained is the one intended. The comparison is quantitative, never visual. If the measured deviation falls outside the expected range, the stage is retried by another route instead of being passed by default. That is worth more than speed. The pipeline has no validity domain declared in advance, it establishes for itself when it has left its own.

The link that forced a restart

Some stages do not reduce to a measurement. Separating stars from nebulosity is one, because no analytic criterion holds across the full variety of sky fields. A supervised model was therefore necessary, and no annotated dataset exists for the task. The one reference tool on the market could have served as an example generator, but its licence explicitly forbids it. So the ground truth was built.

The first version appeared to work. A profile measurement on the outputs showed that the model was reproducing, with remarkable fidelity, a systematic flaw present in the ground truth itself. The model had not failed. It had learned perfectly what it was shown, flaw included. That finding condemned the whole strategy, since training better would only have reproduced the flaw better. The way out was to change the nature of the target and build a ground truth that is exact by construction, rather than derived from an existing process carrying its own errors.

An architectural flaw was also identified and corrected. It produced an entire class of artefacts, recognisable and reproducible, that no amount of tuning or longer training would have removed.

What porting to a phone really costs

Porting is not about speed. It is about the result staying identical. Two devices, two manufacturers, two graphics stacks, numerical precisions that differ, and a memory ceiling that forbids holding the whole image. Every stage was therefore compared to the reference computation before being optimised, and an optimisation was kept only when the output stayed identical. Add thermal throttling, which drops the clock after a few tens of seconds and makes runtime depend on the device's recent history, and the absence of any network, which rules out falling back on a server. The complete chain fits inside that envelope.

What is not published here

The quantities measured at each stage, the switching thresholds, the actual list of stages, the composition of the training set, the nature of the shape constraint in the loss function and the architectural change. The level of detail above is that of a paper abstract, not a methods section.

Cas 2 — Détection à grande échelleCase 2 — Large-scale detection

Retourner le problème : chercher la nébuleuse par l'étoile Inverting the problem: searching for the nebula by way of its star

Problème

Les recherches classiques balaient les images par morphologie. Cette approche impose un seuil de détection élevé, faute de quoi elle se noie dans les fausses détections. Elle manque donc structurellement ce qui est faible et étendu, c'est-à-dire une grande partie de ce qui reste à trouver.

Méthode

Partir du catalogue d'étoiles plutôt que de l'image. Mesurer le signal à chaque position dans plusieurs surveys publics du ciel, sur plusieurs bandes de longueur d'onde, de l'ultraviolet à l'infrarouge, puis noter chaque position avec un modèle entraîné sur les objets déjà connus. L'a priori stellaire est ce qui autorise un seuil bas. On ne cherche plus n'importe où, on cherche là où un objet peut exister physiquement. L'approche par morphologie ne peut pas relâcher ce seuil.

Validation

Des dizaines de milliers de positions mesurées. Performance établie par validation croisée, sur des objets tenus hors de l'entraînement, et redétection des objets déjà catalogués employée comme test de contrôle. Une chaîne qui ne retrouve pas ce qui est connu n'a rien à dire sur ce qui ne l'est pas.

Une chaîne qui sait dire non

Des candidates prometteuses ont été écartées automatiquement. Une source ionisante supposée a été écartée par photométrie en secteurs angulaires. Un faux positif infrarouge a été écarté parce qu'il était décalé par rapport à l'étoile. Un objet réel mais absent des catalogues classiques a conduit à ajouter un garde-fou à la chaîne, et non à revendiquer une découverte.

Problem

Conventional searches sweep images by morphology. That approach forces a high detection threshold, otherwise it drowns in false positives. It therefore structurally misses what is faint and extended, which is much of what remains to be found.

Method

Start from the star catalogue rather than the image. Measure the signal at each position across several public sky surveys, in several wavelength bands from ultraviolet to infrared, then score each position with a model trained on already-known objects. The stellar prior is what permits a low threshold. You are no longer searching everywhere, you are searching where an object can physically exist. The morphology-driven approach cannot relax that threshold.

Validation

Tens of thousands of positions measured. Performance established by cross-validation, on objects held out of training, with redetection of already-catalogued objects used as a control test. A pipeline that fails to recover the known has nothing to say about the unknown.

A chain that can say no

Promising candidates have been rejected automatically. An ionising source was ruled out by angular-sector photometry. An infrared false positive was discarded because it was offset from the star. A real object absent from the standard catalogues led to a further safeguard on the chain rather than to a claimed discovery.

Ce que le cas démontreWhat this case demonstrates

Fusionner des surveys hétérogènes en un espace de mesure commun, et faire porter la décision par un modèle dont on mesure le taux de rejet autant que le taux de détection. La valeur d'une telle chaîne se juge sur ce qu'elle refuse. Fusing heterogeneous surveys into a common measurement space, and letting a model carry the decision while its rejection rate is measured as carefully as its detection rate. A pipeline like this is judged on what it turns down.

Comparaison entre la recherche par morphologie et la recherche guidée par le catalogue d'étoiles APPROCHE CLASSIQUE CONVENTIONAL APPROACH Balayage des images Sweep the images par morphologie by morphology Seuil élevé imposé High threshold forced sinon faux positifs or false positives flood in Objets faibles et étendus Faint, extended objects restent invisibles stay invisible APPROCHE INVERSÉE INVERTED APPROACH Catalogue d'étoiles Star catalogue Gaia DR3 Photométrie Photometry GALEX · WISE Notation par modèle Model scoring entraîné sur le connu trained on known objects Candidates classées Ranked candidates seuil bas possible low threshold viable Rejets automatiques documentés Automatic rejections, documented L'a priori stellaire autorise le seuil bas. The stellar prior is what makes the low threshold viable.
Schéma de principe. Les critères de décision, les seuils et l'architecture du modèle ne sont pas représentés. Schematic principle. Decision criteria, thresholds and model architecture are not represented.

Chronologie. Les objets listés plus bas ont été découverts avant cette chaîne, par un travail d'imagerie et d'analyse conduit à la main. La chaîne décrite ici est un travail postérieur et distinct. Elle n'a pas trouvé ces objets, elle a été entraînée sur ce que la communauté connaissait déjà. Chronology. The objects listed below were discovered before this pipeline existed, through imaging and analysis carried out by hand. The pipeline described here is later and separate work. It did not find those objects, it was trained on what the community already knew.

Aller plus loinGo deeperPourquoi la recherche par la forme sature, la difficulté réelle de rendre des surveys comparables, le biais hérité des catalogues, et quatre rejets documentés.Why searching by shape saturates, the real difficulty of making surveys comparable, the bias inherited from catalogues, and four documented rejections.

Pourquoi la recherche par la forme sature

Une recherche morphologique parcourt les images et retient ce qui ressemble à l'objet cherché. Sur un survey entier, le nombre de motifs qui ressemblent vaguement à une coquille est immense, et la seule façon de garder une liste exploitable est de remonter le seuil de détection. On ne voit alors que ce qui est déjà évident. Les objets faibles et étendus, c'est-à-dire ceux qui restent à découvrir, passent sous le seuil par construction, et aucune amélioration du classificateur ne corrige cela.

Ce que change le renversement

Une nébuleuse planétaire a une étoile centrale. Le nom est trompeur, puisqu'il s'agit de l'enveloppe de gaz éjectée par une étoile en fin de vie, sans rapport avec les planètes. Partir du catalogue d'étoiles, c'est réduire l'espace de recherche aux positions où l'objet peut physiquement exister, et transformer un problème d'image en problème de mesure ponctuelle. À chaque position, le signal est mesuré dans plusieurs surveys publics, de l'ultraviolet à l'infrarouge. Le seuil peut alors descendre très bas sans que le nombre de fausses alarmes explose, parce qu'il est borné par la taille du catalogue et non par la surface du ciel.

La difficulté réelle : rendre les surveys comparables

Les surveys n'ont ni la même résolution, ni la même profondeur, ni les mêmes conventions photométriques, ni la même époque d'observation. Une position issue du catalogue d'étoiles ne tombe pas au même endroit dans chacun d'eux, et un flux mesuré dans l'un ne se compare pas directement à un flux mesuré dans l'autre. L'essentiel du travail est là, dans la mise en correspondance et la mise à l'échelle. Le modèle qui vient ensuite est la partie facile, et c'est vrai de la plupart des chaînes de ce type.

Le biais dont on hérite, et comment il est surveillé

Un modèle entraîné sur les objets connus apprend aussi la manière dont ces objets ont été trouvés. Il hérite donc du biais de sélection des catalogues et tend à préférer ce qui ressemble à ce que les campagnes précédentes savaient repérer. Deux contre-mesures. La redétection des objets déjà catalogués sert de test de contrôle permanent. Et les rejets sont relus à la main, pas seulement les acceptations. Un rejet mal motivé en apprend davantage sur la chaîne qu'une validation réussie.

Quatre décisions négatives, documentées

Des candidates données pour prometteuses ont été écartées automatiquement. Une source ionisante supposée a été rejetée après examen de sa géométrie en secteurs angulaires. Un candidat reposait sur un excès infrarouge dont la position ne coïncidait pas avec l'étoile, ce qui suffit à l'écarter. Enfin la chaîne a retrouvé un objet bien réel, absent des catalogues classiques. Il n'a pas été revendiqué comme une découverte, il a servi à ajouter un garde-fou supplémentaire.

Ce qui n'est pas publié ici

L'architecture du modèle, sa liste de variables, sa règle de cohérence physique, les rayons de chaque critère d'exclusion, les règles de sélection et la manière dont le bruit est estimé.

Why searching by shape saturates

A morphological search sweeps the images and keeps whatever resembles the target object. Across a full survey, the number of patterns that vaguely resemble a shell is immense, and the only way to keep the list workable is to raise the detection threshold. You then only see what is already obvious. Faint, extended objects, which are what remains to be found, fall below the threshold by construction, and no improvement to the classifier fixes that.

What the inversion changes

A planetary nebula has a central star. The name is misleading, since it is the envelope of gas shed by a dying star and has nothing to do with planets. Starting from the star catalogue reduces the search space to positions where the object can physically exist, and turns an image problem into a point-measurement problem. At each position, the signal is measured across several public surveys, from ultraviolet to infrared. The threshold can then go very low without false alarms exploding, because it is bounded by the size of the catalogue and not by the area of the sky.

The real difficulty: making surveys comparable

Surveys share neither resolution, nor depth, nor photometric conventions, nor observing epoch. A position taken from the star catalogue does not land in the same place in each of them, and a flux measured in one does not compare directly with a flux measured in another. That is where most of the work sits, in cross-matching and rescaling. The model that comes afterwards is the easy part, and that is true of most pipelines of this kind.

The bias you inherit, and how it is watched

A model trained on known objects also learns how those objects were found. It therefore inherits the selection bias of the catalogues and tends to prefer whatever resembles what earlier campaigns knew how to spot. Two countermeasures. Redetection of already-catalogued objects serves as a permanent control test. And rejections are reviewed by hand, not only acceptances. A poorly motivated rejection teaches more about the pipeline than a successful validation.

Four negative decisions, documented

Candidates reported as promising were rejected automatically. A supposed ionising source was ruled out after its geometry was examined by angular-sector photometry. One candidate rested on an infrared excess whose position did not coincide with the star, which is enough to discard it. Finally the pipeline recovered a real object that was absent from the standard catalogues. It was not claimed as a discovery. It was used to add a further safeguard.

What is not published here

The model architecture, its variable list, its physical-consistency rule, the radii of each exclusion criterion, the selection rules and the way noise is estimated.

Cas 3 — Qualification et preuveCase 3 — Qualification and proof

Qualifier une structure jusqu'au dossier défendable Qualifying a structure all the way to a defensible case file

Problème

Une structure repérée dans une image ne vaut rien tant qu'on n'a pas montré trois choses : qu'elle est réelle et non un artefact d'instrument ou de traitement, qu'elle n'est pas déjà cataloguée sous un autre nom, et quelle source d'énergie la fait rayonner. Tant que ces trois points ne sont pas établis, il n'y a pas de résultat, il y a une image.

Méthode

Confirmation du signal dans des données indépendantes acquises par un autre instrument. Recherche exhaustive de la source ionisante dans le champ. Test de la géométrie par photométrie en secteurs angulaires, pour départager les hypothèses concurrentes plutôt que pour conforter celle qu'on préfère. Contrainte énergétique par photométrie de surface calibrée, c'est-à-dire par la mesure de l'énergie réellement rayonnée par unité de surface. Sortie : un rapport standardisé, avec les mêmes sections pour tout objet, y compris quand la conclusion est négative.

Trajectoire

Ce n'est pas une métrique, c'est un chemin. D'une position dans un survey public jusqu'à un article publié, et jusqu'à du temps d'observation obtenu sur un télescope professionnel. Des collaborations sont en cours sur plusieurs articles et avec des institutions.

Problem

A structure spotted in an image is worth nothing until three things have been shown: that it is real and not an instrumental or processing artefact, that it is not already catalogued under another name, and what energy source makes it radiate. Until those three hold, there is no result, there is a picture.

Method

Confirmation of the signal in independent data acquired with a different instrument. Exhaustive search for the ionising source across the field. Geometry tested by angular-sector photometry, in order to separate competing hypotheses rather than to bolster the preferred one. Energy budget constrained by calibrated surface photometry, that is, by measuring the energy actually radiated per unit area. Output: a standardised report, with the same sections for every object, including when the conclusion is negative.

Trajectory

Not a metric but a path. From a position in a public survey through to a published paper, and to awarded observing time on a professional telescope. Collaborations are under way on several papers and with institutions.

Ce que le cas démontreWhat this case demonstrates

Conduire une mesure jusqu'au niveau où elle résiste à la relecture par des tiers, et produire un livrable de forme constante quel que soit le résultat. C'est la différence entre un signal intéressant et un signal qui tient. Carrying a measurement to the level where it survives third-party review, and producing a deliverable of constant form whatever the outcome. That is the difference between an interesting signal and one that holds up.

Chaîne de qualification d'une structure, du signal au rapport 01 02 03 04 05 Réalité du signal Signal is real Source ionisante Ionising source Géométrie Geometry Bilan énergétique Energy budget Rapport Report instrument indépendant independent instrument recherche exhaustive exhaustive search photométrie en secteurs angulaires angular-sector photometry photométrie calibrée calibrated photometry forme constante constant form rejet rejet rejet rejet reject reject reject reject D'UNE POSITION DANS UN SURVEY AU DOSSIER DÉFENDABLE FROM A SURVEY POSITION TO A DEFENSIBLE CASE FILE Chaque étape peut clore le dossier. Le rapport a la même forme, que la conclusion soit positive ou négative. Any stage can close the file. The report keeps the same form, whether the conclusion is positive or negative.
Schéma de principe. Les objets en cours d'étude ne sont pas représentés, et les critères de décision de chaque étape ne sont pas publiés. Schematic principle. Objects under study are not represented, and the decision criteria at each stage are not published.
Aller plus loinGo deeperLes quatre tests dans l'ordre où ils se posent, et pourquoi un dossier négatif se rédige avec le même soin qu'un dossier positif.The four tests in the order they arise, and why a negative file is written with the same care as a positive one.

Ce qu'il faut écarter avant toute chose

Une structure faible dans une image a trois explications banales avant d'en avoir une intéressante : un défaut de l'instrument, un artefact du traitement, ou un objet déjà connu sous un autre nom. Les trois se testent, et l'ordre compte, parce que le troisième test coûte cher et qu'il est inutile de le payer si le premier suffit à clore le dossier.

Confirmation par un instrument indépendant

Le test le plus discriminant est la reprise du champ avec un autre instrument, sur un autre site, avec une autre chaîne optique et un autre traitement. Un défaut de capteur, un reflet interne, un résidu de gradient ou un artefact de traitement ne survivent pas à ce changement. Un signal astrophysique, si. Tant que ce test n'est pas passé, il n'y a rien à annoncer, quelle que soit la qualité de l'image de départ.

Chercher ce qui fait rayonner la structure

Une nébuleuse en émission ne brille pas d'elle-même. Selon les cas, elle est photoionisée par une étoile chaude, ou excitée par un choc. Identifier l'origine du rayonnement est ce qui transforme une tache dans une image en objet caractérisé, parce que cela contraint sa nature, sa distance et son âge. La recherche est exhaustive sur le champ. L'absence de candidat est un résultat en soi et non un échec, puisqu'elle oriente vers l'hypothèse d'excitation par choc.

Trancher entre hypothèses par la géométrie

Deux hypothèses concurrentes prédisent rarement la même distribution de brillance autour d'un objet. Mesurer la brillance secteur angulaire par secteur angulaire permet de comparer ces prédictions au lieu de conforter celle que l'on préfère. C'est le point où un travail rigoureux se sépare d'un travail motivé. On choisit le test pour sa capacité à départager, pas pour sa capacité à confirmer.

Contraindre le bilan énergétique

La photométrie de surface calibrée donne l'énergie effectivement rayonnée par la structure. Confrontée à ce que la source supposée est capable de fournir, elle valide ou élimine l'hypothèse. Une explication qui ne boucle pas énergétiquement est éliminée, quelle que soit son élégance et quel que soit le temps déjà investi.

Le rapport, et pourquoi il garde la même forme quand la réponse est non

Chaque objet donne lieu à un rapport aux sections identiques. Un dossier négatif est rédigé avec le même soin qu'un dossier positif, et archivé de la même façon. C'est ce qui rend le corpus utilisable. Sans les cas négatifs, on ne peut ni estimer un taux de réussite, ni éviter de réexaminer deux fois le même objet, ni transmettre le travail à quelqu'un d'autre.

Où mène ce chemin

D'une position dans un survey public jusqu'à un article publié, et jusqu'à du temps d'observation obtenu sur un télescope professionnel. Des collaborations sont en cours sur plusieurs articles et avec des institutions.

Ce qui n'est pas publié ici

Les critères de décision de chaque étape, les rayons de recherche, les règles de sélection sur la température et la couleur de l'étoile, la formule de soustraction du continuum et la méthode d'estimation du bruit. Les objets en cours d'étude ne sont ni nommés ni illustrés.

What has to be ruled out first

A faint structure in an image has three mundane explanations before it has an interesting one: an instrumental defect, a processing artefact, or an object already known under another name. All three can be tested, and the order matters, because the third test is expensive and there is no point paying for it if the first already closes the file.

Confirmation with an independent instrument

The most discriminating test is to re-observe the field with a different instrument, at a different site, through a different optical train and a different processing chain. A sensor defect, an internal reflection, a gradient residual or a processing artefact does not survive that change. An astrophysical signal does. Until that test is passed there is nothing to announce, however good the original image looks.

Finding what makes the structure radiate

An emission nebula does not shine by itself. Depending on the case, it is photoionised by a hot star, or shock-excited. Identifying the origin of the radiation is what turns a patch in an image into a characterised object, because it constrains its nature, its distance and its age. The search is exhaustive across the field. The absence of a candidate is a result in itself rather than a failure, since it points toward shock excitation.

Separating hypotheses by geometry

Two competing hypotheses rarely predict the same brightness distribution around an object. Measuring surface brightness sector by sector allows those predictions to be compared instead of bolstering the preferred one. This is where rigorous work parts company with motivated work. You choose the test for its power to separate, not for its power to confirm.

Constraining the energy budget

Calibrated surface photometry gives the energy actually radiated by the structure. Set against what the supposed source is capable of supplying, it validates or eliminates the hypothesis. An explanation that does not balance energetically is eliminated, however elegant it is and however much time has already gone into it.

The report, and why it keeps the same form when the answer is no

Every object produces a report with identical sections. A negative file is written with the same care as a positive one, and archived the same way. That is what makes the corpus usable. Without the negative cases you cannot estimate a success rate, avoid re-examining the same object twice, or hand the work to someone else.

Where the path leads

From a position in a public survey through to a published paper, and to awarded observing time on a professional telescope. Collaborations are under way on several papers and with institutions.

What is not published here

The decision criteria at each stage, the search radii, the selection rules on stellar temperature and colour, the continuum subtraction formula and the noise estimation method. Objects under study are neither named nor illustrated.

03

Publications et distinctionsPublications and awards

2023 Discovery of Extensive [O III] Emission Near M31 RNAAS 7, 1 · 10.3847/2515-5172/acaf7e 2023 The Spatial and Emission Properties of the Large [O III] Emission Nebula Near M31 ApJ 957, 82 · 10.3847/1538-4357/acfe0d 2024 Discovery of an [O III] Emission Shell around the X-Ray Binary CI Cam RNAAS 8, 129 · 10.3847/2515-5172/ad4971 2024 Deep Optical Emission-line Images of Nine Known and Three New Galactic Supernova Remnants ApJS 272, 36 · 10.3847/1538-4365/ad410a 2026 SDSO 1 is a Shocked Ghost Planetary Nebula in Front of M 31 ApJ 1005, 202 · 10.3847/1538-4357/ae733a

ORCID 0009-0000-4061-1162

DistinctionsAwards

Astronomy Photographer of the Year 2023Astronomy Photographer of the Year 2023

Grand prix, toutes catégories confondues, du plus grand concours d'astrophotographie au monde, organisé par l'Observatoire royal de Greenwich. Lauréat avec Marcel Drechsler et Xavier Strottner, devant plus de 4 000 images venues de 64 pays. L'image récompensée est celle qui porte la découverte de SDSO 1. Overall winner, across every category, of the world's largest astrophotography competition, run by the Royal Observatory Greenwich. Won with Marcel Drechsler and Xavier Strottner, ahead of more than 4,000 entries from 64 countries. The winning image is the one carrying the discovery of SDSO 1.

How three amateur astronomers and astrophotographers changed our view of the Universe Londres, septembre 2023London, September 2023

Astrophotography Prize 2024Astrophotography Prize 2024

Première et deuxième place dans la catégorie Deep Space Photographer of the Year. First and second place in the Deep Space Photographer of the Year category.

20242024

Les Étoiles de l'astronomie 2024Les Étoiles de l'astronomie 2024

Premier prix dans la catégorie Objet astronomique. First prize in the Astronomical Object category.

20242024

NASA APOD × 6NASA APOD × 6

Six images retenues comme Astronomy Picture of the Day, la sélection quotidienne de la NASA. Celle du 4 août 2025 est créditée « Ogle et al. » : le collectif de quinze auteurs de l'article ApJ 2026 listé plus haut. Six images selected as Astronomy Picture of the Day, NASA's daily selection. The 4 August 2025 one is credited “Ogle et al.”: the fifteen-author collective behind the ApJ 2026 paper listed above.

17 janvier 2023 · 17 août 2023 · 18 février 2025 · 9 juin 2025 · 4 août 2025 · 24 septembre 202617 Jan 2023 · 17 Aug 2023 · 18 Feb 2025 · 9 Jun 2025 · 4 Aug 2025 · 24 Sep 2026
DiffusionOutreach

Presse et magazinesPress and magazines

Images et travaux publiés dans Ciel & Espace, Astronomie Magazine, Astrosurf Magazine, Astronomy, Sky & Telescope, et d'autres. Images and work published in Ciel & Espace, Astronomie Magazine, Astrosurf Magazine, Astronomy, Sky & Telescope, and others.

ConférencesTalks

Je donne des conférences sur la découverte de nébuleuses. I give talks on nebula discovery.

04

DécouvertesDiscoveries

Attestées par publicationEstablished by publication5
SDSO 1 Arc en [O III] d'environ 1,5°. Interprété depuis 2026 comme une vieille nébuleuse planétaire choquée, projetée en avant-plan de M 31 et sans lien physique avec elle. Deux équipes indépendantes convergent sur cette lecture ; l'hypothèse d'une interaction avec le halo de M 31, avancée en 2023, n'est plus privilégiée.[O III] arc of roughly 1.5°. Interpreted since 2026 as an old shocked planetary nebula projected in front of M 31 and physically unrelated to it. Two independent teams converge on this reading; the halo-interaction hypothesis put forward in 2023 is no longer favoured. RNAAS 2023 · ApJ 2023 · ApJ 2026
SNR G107.5−5.2 Rémanent de supernova. Nébuleuse des Néréides.Supernova remnant. Nereides Nebula. ApJS 272, 36 (2024)
SNR G209.8−8.2 Rémanent de supernova. Atlas.Supernova remnant. Atlas. ApJS 272, 36 (2024)
SNR G115.5+9.1 Rémanent de supernova. Scylla.Supernova remnant. Scylla. ApJS 272, 36 (2024)
MarSai Objet 1 Coquille en [O III] autour de la binaire X CI Cam.[O III] shell around the X-ray binary CI Cam.12 × 9′ · 04h 19m 42s · +55° 59′ 58″ · PN G149.1+04.112 × 9′ · 04h 19m 42s · +55° 59′ 58″ · PN G149.1+04.1 RNAAS 8, 129 (2024)
Enregistrées au registre des découvertes amateurRegistered in the amateur discovery registry5
Sai 1 Candidate nébuleuse planétaire.Planetary nebula candidate.0,1′ · 19h 12m 39s · +02° 46′ 46″0.1′ · 19h 12m 39s · +02° 46′ 46″ PN G037.8−03.4
Sai 2 Candidate nébuleuse planétaire.Planetary nebula candidate.1,6′ · 23h 06m 05s · +69° 29′ 35″1.6′ · 23h 06m 05s · +69° 29′ 35″ PN G113.8+08.4
MarSaiLeSot 1 Candidate nébuleuse planétaire.Planetary nebula candidate.3,4 × 2,7′ · 20h 34m 39s · +57° 01′ 08″3.4 × 2.7′ · 20h 34m 39s · +57° 01′ 08″ PN G093.0+09.8
MSLSOPR 1 Nébuleuse planétaire possible.Possible planetary nebula.14,33′ · 18h 56m 25s · +30° 42′ 06″14.33′ · 18h 56m 25s · +30° 42′ 06″ PN G061.2+12.4
Sai 3 Objet de nature indéterminée.Object of undetermined nature.38 × 27′ · 07h 52m 19s · +81° 43′ 41″38 × 27′ · 07h 52m 19s · +81° 43′ 41″ PN G132.0+29.0
En cours d'étudeUnder study2
M31 Blossom Structure d'émission dans le champ de M 31. Travaux en cours.Emission structure in the M 31 field. Work in progress.
Herbig-Haro Candidat objet Herbig-Haro. Travaux en cours.Herbig-Haro object candidate. Work in progress.

Les objets marqués « candidate » le restent tant qu'ils ne sont pas confirmés par spectroscopie ou par publication. Cette page ne les compte pas comme des découvertes attestées. Détecter un objet et l'interpréter sont par ailleurs deux choses distinctes. La détection est établie par les données, l'interprétation reste révisable. Les natures indiquées ici sont celles de l'état publié le plus récent, avec l'année qui leur correspond. Objects marked “candidate” remain so until confirmed by spectroscopy or publication. This page does not count them as established discoveries. Detecting an object and interpreting it are also two different things. The detection is established by the data, the interpretation stays open to revision. The natures given here are those of the most recent published state, with the year that goes with them.

05

ContactContact

Je cherche à travailler sur ces sujets. Traitement d'images scientifiques ou industrielles, vision embarquée, détection et qualification automatiques, mise en production de modèles : c'est là que je veux mettre mon temps, en mission comme en poste. Si vous avez une problématique de cette famille, ou un projet qui s'en approche, écrivez-moi. Mes collaborations scientifiques pro-am continuent en parallèle, c'est autre chose. I am looking to work on these subjects. Scientific and industrial image processing, embedded vision, automated detection and qualification, taking models into production: that is where I want to put my time, on contract or in a permanent role. If you have a need in this area, or a project close to it, write to me. My pro-am scientific collaborations continue alongside; that is a separate matter.

Yann Sainty

contact@yann-sainty.com

Alsace, France
ORCID 0009-0000-4061-1162