Il confine invisibile: dove finisce l’elaborazione e comincia l’invenzione

C’è una frase che chiunque pratichi astrofotografia deep-sky si è sentito dire almeno una volta, di solito con un mezzo sorriso di sufficienza: è solo una bella foto. La usano come se fosse un’obiezione definitiva, e in genere la usano persone convinte che la scienza cominci dove finisce l’estetica. È un’idea comoda e sbagliata, e vale la pena smontarla con calma, perché nel farlo si arriva a una domanda molto più interessante di quella di partenza: non se le nostre immagini contengano informazione, ma fino a che punto possiamo lavorarle prima che quell’informazione smetta di esistere.

È una domanda che nel 2026 pesa più di quanto pesasse dieci anni fa. Non perché siamo diventati meno onesti, ma perché gli strumenti che abbiamo nelle mani hanno cambiato natura. Uno stretch asinh non inventa nulla: ridistribuisce. Una rete neurale addestrata su migliaia di immagini di galassie, invece, ha imparato che aspetto dovrebbe avere una galassia, e quando la applichiamo a un segnale povero quella conoscenza pregressa entra nel risultato. La differenza è sottile in teoria e drammatica in pratica.

Due parole sull’immagine di apertura, perché è essa stessa un buon esempio di ciò di cui parleremo. Mostra SN 2019ehk nella galassia ospite M100 e proviene dalla galleria pubblica di NOIRLab. Non è uno scatto singolo: è un composito di riprese precedenti e successive all’esplosione, ottenuto con la Wide Field Camera 3 del telescopio spaziale Hubble in sette bande diverse, dai 275 nanometri dell’ultravioletto agli 814 del vicino infrarosso, mappate poi sui colori visibili. Il campo inquadrato misura meno di tre minuti d’arco per due, e il nord non è in alto ma ruotato di circa 153 gradi verso destra. Niente di tutto questo la rende meno vera: nessuna struttura visibile è stata inventata, ogni fotone è stato misurato. Ma nessuno potrebbe indovinarlo guardandola, ed è precisamente per questo che va dichiarato. L’immagine è distribuita con licenza Creative Commons Attribution 4.0; il credito completo è CTIO/SOAR/NOIRLab/NSF/AURA/Northwestern University/C. Kilpatrick/University of California Santa Cruz/NASA-ESA Hubble Space Telescope, e per adattarla al formato di questa pagina l’ho ritagliata.

1. Una supernova nascosta in una foto “solo bella”

Il caso più efficace per capire la posta in gioco lo racconta Richard S. Wright Jr. in un testo pubblicato su Sky & Telescope, ed è successo a lui. Primavera 2019: riprende M100, la galassia a spirale nella Chioma di Berenice, e la elabora come tutti noi elaboriamo una galassia, cioè con l’obiettivo dichiarato di ottenere un’immagine gradevole. Nessuna pretesa scientifica, nessuna calibrazione fotometrica, nessun filtro standard. Una bella foto.

Qualche tempo dopo un conoscente guarda l’immagine e nota una stella che in quel punto non dovrebbe esserci. Era SN 2019ehk. La scoperta non era formalmente sua — la supernova venne individuata e classificata attraverso i canali ordinari — ma il punto resta intatto: quell’informazione era presente nell’immagine, e ci era rimasta nonostante tutta l’elaborazione estetica. Lo stretch non lineare, la riduzione del rumore, la saturazione spinta: niente di tutto ciò aveva cancellato il fatto che in quelle coordinate ci fosse un oggetto che prima non c’era.

Wright costruisce su questo aneddoto un ragionamento che vale la pena seguire, perché ribalta l’obiezione iniziale. Il problema non è mai stato l’elaborazione. Il problema è un altro, e riguarda una distinzione che nella pratica amatoriale non facciamo quasi mai in modo esplicito.

2. Due specie di dati

Esistono due tipi di informazione scientifica, e la nostra tendenza a considerarne uno solo è la radice dell’equivoco.

Il dato quantitativo è quello misurato: una magnitudine, un flusso, un conteggio, una posizione espressa in coordinate. È il territorio della fotometria differenziale, delle curve di luce, degli errori espressi in millimagnitudini. È anche, va detto, il tipo di dato che l’astrofotografia estetica generalmente non produce, perché il percorso di elaborazione che rende bella un’immagine distrugge sistematicamente la relazione lineare fra il segnale registrato e il valore del pixel finale.

Il dato qualitativo è quello descrittivo: questa è una galassia a spirale. Questa galassia ha quattro bracci. Questa nebulosa mostra una struttura filamentosa in questa regione. C’è una stella che prima non c’era. Sono affermazioni verificabili, riproducibili, e in qualche caso decisive. Wright fa notare che l’osservazione qualitativa più preziosa è spesso quella che rompe uno schema: dire questa galassia ha un aspetto anomalo può produrre un terremoto scientifico esattamente come un numero inatteso, perché mette in crisi la classificazione stessa.

Ecco il punto: la nostra elaborazione estetica compromette il dato quantitativo ma preserva quasi integralmente quello qualitativo. Se abbiamo alzato la luminosità di una galassia, la sua magnitudine misurata sulla nostra immagine non vale nulla. Ma se quella galassia ha quattro bracci a spirale e noi non ne abbiamo aggiunto un quinto né rimosso uno, l’affermazione “ha quattro bracci” resta un dato scientifico corretto, ottenuto con un’immagine elaborata per essere bella.

La stessa logica vale per il colore. Un composito a banda stretta che assegna OIII, Hα e SII rispettivamente ai canali blu, verde e rosso non è una falsificazione: è una convenzione di rappresentazione, esattamente come lo sono le mappe in falsi colori che i professionisti pubblicano da decenni. L’informazione su quale gas emetta dove è integralmente conservata — anzi, è precisamente ciò che quella scelta cromatica serve a rendere leggibile. Analogamente, aumentare con criterio la saturazione di un’immagine lunare non produce un capriccio grafico ma rende visibili differenze mineralogiche reali della superficie.

3. La regola del non inventato

Se il dato qualitativo sopravvive all’elaborazione, allora esiste una soglia oltre la quale smette di sopravvivere. Wright la formula con una regola sola, e la sua forza sta nella brevità: non si può fingere. Tutto il resto è applicazione.

3.1 Cosa non falsifica il dato

Rientrano in questa categoria tutte le operazioni che agiscono su ciò che il sensore ha effettivamente registrato, ridistribuendolo o sopprimendone il rumore, senza aggiungere struttura:

Lo stretch non lineare in ogni sua forma: comprime le alte luci ed espande le basse, ma ogni valore in uscita è funzione di un valore in ingresso. Nessun dettaglio nasce dal nulla, al più diventa visibile un dettaglio che era già nei dati, sepolto sotto la dinamica. L’assegnazione cromatica di bande registrate, purché dichiarata. La riduzione del rumore e lo sharpening, con un’avvertenza che discuteremo più avanti perché è diventata centrale. E poi rimozione del gradiente, calibrazione del colore, deconvoluzione classica: operano tutte su un modello fisico di ciò che ha degradato il segnale — luce diffusa, risposta spettrale, PSF — e cercano di invertirlo.

3.2 Cosa lo falsifica

Dall’altra parte del confine ci sono le operazioni che introducono nell’immagine struttura che il sensore non ha registrato in quel punto. Wright ne elenca tre, e sono tre esempi che vale la pena tenere a mente perché coprono quasi tutti i casi reali:

Clonare stelle per riempire una zona vuota. È l’operazione apparentemente più innocua e in realtà la più distruttiva, perché altera direttamente l’informazione quantitativa: in quel punto ora c’è un oggetto puntiforme con una certa magnitudine apparente che non corrisponde a nulla di reale. È esattamente il meccanismo che avrebbe potuto trasformare la scoperta di SN 2019ehk in un falso positivo, se il processo fosse stato inverso.

Ruotare selettivamente un oggetto senza ruotare il campo stellare che lo circonda. Il risultato può essere bellissimo e la relazione fra l’oggetto e il suo contesto è distrutta.

Combinare oggetti distinti in un’unica scena per ragioni compositive. Due nebulose che nel cielo non si vedono insieme e che nell’immagine finale convivono: è arte, e può essere ottima arte, ma non è più un documento.

Wright aggiunge un’avvertenza speculare e altrettanto importante, che nel 2021 suonava come una cautela e oggi suona come una profezia: si può elaborare un’immagine fino al punto di creare dettagli che non esistono. Non serve barare consapevolmente. Basta insistere.

4. Quando il criterio diventa regolamento

Un criterio individuale è utile ma fragile. La cosa interessante è che negli ultimi anni quel criterio è stato codificato in documenti pubblici e vincolanti, e leggerli è istruttivo perché mostrano dove le istituzioni hanno deciso di tracciare la linea quando dalla riflessione si passa alla necessità di squalificare qualcuno.

4.1 Il caso ZWO Astronomy Photographer of the Year

Il regolamento del concorso organizzato dal Royal Observatory Greenwich per l’edizione 2026 è il documento più esplicito oggi disponibile. La regola fondativa è che l’immagine deve consistere di dati astronomici genuini raccolti per via osservativa con strumentazione fotografica, dove per fotografia si intende testualmente la raccolta di energia radiante su un sensore digitale o chimico. È una definizione che esclude per costruzione qualunque contributo non misurato.

Su questa base il regolamento vieta l’aggiunta di effetti atmosferici, di soggetti astronomici o di qualunque altro dato generato da una rete neurale. Ma — ed è qui che il documento diventa interessante per noi — consente esplicitamente l’uso di software basato su machine learning, nominando PixInsight e plugin come StarNet++, StarXTerminator, NoiseXTerminator e Topaz DeNoise AI, a una condizione precisa: che si tratti di strumenti che non aggiungono dati, e che il loro impiego venga dichiarato. L’uso non dichiarato può portare alla squalifica, e la motivazione contemplata dal regolamento è disonestà e falsa rappresentazione.

Il criterio, come si vede, è identico a quello di Wright. Cambia solo che qui ha conseguenze. Il regolamento arriva perfino a escludere le immagini riprese con apparecchi il cui firmware applica miglioramenti generativi non disattivabili — il riferimento è ad alcuni smartphone — perché in quel caso la contaminazione avviene a monte, senza che l’autore possa impedirla.

Merita una nota la categoria speciale Annie Maunder, dove il concorso apre completamente: qualunque strumento di elaborazione è ammesso, inclusi quelli basati su IA, e si possono usare dati open source di terzi. Il divieto che resta in piedi, unico e non negoziabile, è quello sui dati generati artificialmente. Anche nella categoria più permissiva, insomma, il confine non passa fra gli strumenti ma fra ciò che è stato misurato e ciò che è stato inventato.

4.2 La dichiarazione come nuovo standard

Un’impostazione analoga compare nel regolamento del concorso di astrofotografia di Astronomy Magazine per il 2026, che elenca come permessi integrazione, stretching, riduzione del rumore, rimozione dei gradienti, calibrazione del colore, sharpening e deconvoluzione, ammette gli strumenti di machine learning per denoise e rimozione delle stelle a patto che siano dichiarati nella descrizione del processo, e stabilisce un principio che vale la pena isolare: la mancata dichiarazione è sanzionabile a prescindere dal fatto che lo strumento sarebbe stato ammesso.

È un passaggio concettuale non banale. Non si punisce l’uso dello strumento, si punisce l’omissione. La trasparenza sul processo diventa parte integrante dell’opera, allo stesso titolo dei dati EXIF o dell’indicazione del tempo di posa.

5. La macchina che immagina dettagli

Resta la domanda che i regolamenti aggirano con una formula ottimista. Si dice che gli strumenti ammessi sono quelli “che non aggiungono dati”. Ma è davvero garantito che una rete neurale addestrata a rimuovere rumore non aggiunga mai nulla?

La risposta seria non arriva dai forum né dalla documentazione dei produttori, ma dalla letteratura. Un lavoro firmato da Jianfei Li, Ines Rosellon-Inclan e Gitta Kutyniok della Ludwig-Maximilians-Universität di Monaco insieme a Jean-Luc Starck del CEA Paris-Saclay — nome, quest’ultimo, che chiunque si sia occupato di elaborazione di immagini astronomiche conosce bene — affronta esattamente il problema delle allucinazioni nelle ricostruzioni prodotte da reti profonde, su un compito di deconvoluzione applicato a immagini di galassie della survey CANDELS, confrontando U-Net, una variante basata su Swin Transformer e i Learnlets. L’obiettivo è costruire una metrica capace di individuare e quantificare le regioni dell’immagine in cui il modello è più incline a produrre struttura fittizia, usando rappresentazioni a wavelet e shearlet per localizzarle.

La parte del lavoro che mi pare più rilevante per noi è però quella teorica, dove gli autori si chiedono perché le architetture a forma di U tendano a produrre predizioni inclini all’allucinazione. La risposta che propongono è strutturale, non un difetto di implementazione da correggere con un aggiornamento.

5.1 Che cosa sono le architetture a U, e perché sono predisposte

Vale la pena spendere due parole su cosa sia una rete “a forma di U”, perché il nome deriva letteralmente dal diagramma con cui la si disegna e descrive una struttura molto intuitiva. L’immagine entra da sinistra e attraversa una serie di livelli che ne riducono progressivamente la risoluzione spaziale aumentando il numero di canali: è il ramo discendente, detto encoder, e il suo compito è passare dai pixel a una rappresentazione sempre più astratta di cosa ci sia nell’immagine. Al fondo della U, nel cosiddetto collo di bottiglia, l’immagine non esiste più come tale: esiste una descrizione compressa delle sue caratteristiche. Poi si risale lungo il ramo ascendente, il decoder, che ricostruisce risoluzione piena a partire da quella descrizione. Le versioni più diffuse aggiungono collegamenti diretti fra livelli corrispondenti dei due rami — le skip connection — proprio per non perdere del tutto il dettaglio fine durante la discesa.

Il capostipite di questa famiglia è la U-Net, nata nel 2015 per la segmentazione di immagini biomediche e poi diventata l’ossatura di una quantità enorme di sistemi di ricostruzione, denoise, deconvoluzione e generazione, dentro e fuori l’astronomia.

Qui devo però essere preciso su un punto in cui è facile scivolare. Che questa famiglia sia dominante nella letteratura è documentato; che i plugin commerciali che usiamo tutti siano U-Net non è verificabile, perché i loro autori non pubblicano l’architettura. L’unica eccezione nota è StarNet++, il cui autore Nikita Misiura descrive apertamente il proprio strumento come una rete convoluzionale residuale con struttura encoder-decoder, addestrata con una combinazione di perdita L1, avversariale e percettiva. È la stessa famiglia strutturale. Per gli altri — i vari moduli commerciali di denoise e deconvoluzione — possiamo solo osservare che risolvono lo stesso problema con gli stessi mezzi, il che rende ragionevole ma non dimostrato che condividano l’impostazione.

Il meccanismo dell’allucinazione, in ogni caso, è comprensibile anche senza entrare nella matematica, e discende direttamente dalla struttura appena descritta. Nel collo di bottiglia l’informazione originale è compressa: il decoder deve ricostruire dettaglio che nella rappresentazione compressa non c’è più, e lo fa attingendo a ciò che ha imparato durante l’addestramento. Una rete di questo tipo apprende una distribuzione di come sono fatte “normalmente” le immagini di quel dominio. Quando le si sottopone un ingresso povero, ambiguo o fuori distribuzione, la rete non risponde non lo so: risponde con la struttura più plausibile secondo quanto ha appreso. E la struttura più plausibile è, per definizione, quella che assomiglia a ciò che c’era nei dati di addestramento — non necessariamente a ciò che c’era nel cielo.

5.2 Cosa significa per il nostro flusso di lavoro

Qui passo dai risultati dello studio a considerazioni mie, e le tengo separate per correttezza. Lo studio esamina architetture di ricerca su dati di survey, non i plugin commerciali che compriamo, e non fornisce alcuna misura di quanto NoiseXTerminator o un modulo analogo allucini su un nostro master di dieci ore. Sarebbe scorretto trasferire i suoi numeri al nostro contesto.

Ciò che si trasferisce, secondo me, è il principio: il rischio di allucinazione non è un incidente ma una proprietà strutturale della classe di strumenti, e cresce esattamente dove il segnale è più debole. Cioè nelle regioni periferiche delle nebulose, nelle code mareali delle galassie interagenti, negli aloni, nel flusso stellare diffuso e nelle IFN — tutti i posti in cui andiamo a caccia di dettaglio proprio perché il dettaglio è al limite.

Le IFN, per chi non avesse familiarità con la sigla, sono le Integrated Flux Nebulae: nubi di polvere interstellare situate ad alta latitudine galattica, ben al di sopra o al di sotto del piano della Via Lattea, che non sono illuminate da una stella vicina come le normali nebulose a riflessione, ma dalla luce integrata di tutte le stelle della Galassia. Il termine si deve all’astrofilo californiano Steve Mandel, che le riportò all’attenzione della comunità intorno al 2005 dopo averle notate riprendendo M81 e M82, anche se strutture di questo tipo erano già state identificate da Sandage negli anni Settanta. Sono deboli fino all’assurdo — una piccola percentuale della luminosità del fondo cielo — e richiedono decine di ore di integrazione da siti molto bui. Sono, in altre parole, il caso di studio perfetto per il problema che stiamo discutendo: un segnale talmente tenue che distinguere una struttura reale da un artefatto dell’elaborazione richiede disciplina metodologica, non occhio.

Ne discende una pratica che consiglierei a chiunque lavori su target difficili: conservare sempre il master lineare integro, precedente a qualunque passaggio neurale, e verificare su quello ogni struttura interessante che compaia dopo. Se un filamento c’è nel lineare, esiste. Se compare solo dopo il denoise, sospendete il giudizio. E se state per pubblicare un’immagine annunciando una struttura nuova, quel confronto non è una precauzione: è la prova.

6. Dal bello al misurabile

Fin qui abbiamo difeso il valore qualitativo delle nostre immagini. Ma se qualcuno volesse fare il passo successivo e produrre dato quantitativo vero, cosa cambierebbe concretamente nella sua serata?

Meno di quanto si teme, e in una direzione diversa da quella che si immagina. Non servono strumenti più grandi: serve rinunciare a tutto ciò che rende bella un’immagine.

6.1 Il vincolo che nessuno stretch perdona

La fotometria vive di una condizione sola: la linearità. Il valore del pixel deve restare proporzionale al numero di fotoni raccolti. Il che significa niente stretch, niente curve, niente saturazione, niente riduzione del rumore, niente sharpening — e in molti casi niente integrazione, perché la misura si fa sulle singole pose calibrate.

La calibrazione, per contro, diventa più severa di quanto non lo sia nel nostro flusso abituale. La documentazione dell’AAVSO, che pubblica guide gratuite dedicate sia alle camere monocromatiche CCD e CMOS sia alle reflex, insiste su elementi che l’astrofotografo estetico tende a trascurare: la verifica della linearità della camera, la natura dei filtri fotometrici veri (che non sono i filtri RGB da imaging), il rapporto fra campo inquadrato e possibilità di fare fotometria differenziale, e le differenze di comportamento fra sensori CCD e CMOS.

6.2 Stelle di confronto e coefficienti

Il cuore del metodo è la fotometria differenziale: non si misura la magnitudine assoluta della variabile, si misura la sua differenza rispetto a stelle di confronto presenti nello stesso campo, di magnitudine nota e certificata. Serve anche una stella di controllo, che si tratta come se fosse variabile per verificare che il sistema stia funzionando. La forza del metodo sta nel fatto che le condizioni atmosferiche e la massa d’aria si elidono, perché agiscono allo stesso modo su tutte le stelle del campo.

Il livello successivo è la trasformazione, cioè la determinazione dei coefficienti che convertono le misure ottenute con il proprio sistema — le proprie ottiche, il proprio sensore, i propri filtri — verso un sistema standard, così che i dati siano confrontabili con quelli di chiunque altro. Si ricavano osservando campi di stelle standard.

Ed è qui che il quadro si chiude in modo elegante, perché queste sono competenze che l’astrofotografo esperto possiede già quasi tutte. Sa fare dark, flat e bias meglio della media. Sa cosa sia una PSF, sa riconoscere un inseguimento sporco, sa quando un flat non ha funzionato. Ciò che gli manca non è tecnica: è un vocabolario diverso e la disciplina di non toccare i dati.

7. Il valore di sapere cosa si ha in mano

Non credo che tutti debbano fare fotometria, e non credo che ci sia nulla di cui scusarsi nel produrre immagini fatte per essere guardate. Wright su questo è netto e ha ragione: si può essere allo stesso tempo scienziati dilettanti e artisti, e le due cose non si escludono.

Quello che mi sembra invece irrinunciabile è un’altra cosa, più semplice e più impegnativa insieme: sapere in ogni momento quale delle due cose stiamo facendo. Sapere quali passaggi del nostro flusso hanno ridistribuito informazione e quali potrebbero averla generata. Sapere quale versione del file conserva ancora la relazione fisica fra fotone e pixel. Sapere, se qualcuno domani ci scrivesse chiedendo se quel puntino nella nostra immagine di due anni fa era reale, dove andare a guardare per rispondere.

È questo che separa un astrofotografo da chi produce sfondi per desktop, molto più della qualità delle stelle agli angoli o del numero di ore integrate. E vale la pena dirlo chiaramente in un momento in cui gli strumenti diventano ogni anno più bravi a darci quello che vogliamo vedere: la nostra credibilità non sta nella bellezza dell’immagine, ma nel fatto che ogni cosa visibile in essa sia arrivata dal cielo. È la sola cosa che nessun software può restituirci se decidiamo di perderla, e la sola che rende una fotografia — anche la più elaborata, anche la più spudoratamente bella — un documento del mondo reale.

Così, la prossima volta che qualcuno liquida il vostro lavoro come una bella foto e nulla più, la risposta è a portata di mano: bella sì, e ogni fotone che vedi ci è arrivato davvero. Quello che avete in mano è un dato, e nessuno può togliervelo.

Fonti e approfondimenti

Richard S. Wright Jr., Science with Astrophotography, Sky & Telescope — testo apparso originariamente nel numero di marzo 2021 e ripubblicato online il 25 agosto 2026: skyandtelescope.org

Royal Museums Greenwich, regolamento ufficiale di ZWO Astronomy Photographer of the Year 2026, in particolare le sezioni 3.12 e 6 su imagery generativa e strumenti di machine learning: rmg.co.uk

Astronomy Magazine, regolamento ufficiale dell’Astrophotography Contest 2026, sezione 7 sulla policy relativa a intelligenza artificiale e machine learning: astronomy.com

Jianfei Li, Ines Rosellon-Inclan, Gitta Kutyniok, Jean-Luc Starck, CHEM: Estimating and Understanding Hallucinations in Deep Learning for Image Processing, preprint arXiv 2512.09806: arxiv.org/abs/2512.09806

AAVSO, Guide to CCD/CMOS Photometry with Monochrome Cameras, disponibile gratuitamente insieme al manuale dedicato alle reflex: aavso.org

NOIRLab, scheda dell’immagine Hubble Space Telescope image of SN 2019ehk (noirlab2019d), con dati su bande, campo inquadrato e orientamento: noirlab.edu — licenza CC BY 4.0