Inpainting for emission line mapping: a generative deep learning approach for continuum removal in euclid spectra

The accurate characterization of galaxy spectra is essential for extracting reliable physical properties of galaxies. A powerful tool for this purpose is emission line mapping, which enables the spatial identification of regions associated with specific emission lines. However, overlapping spectra inherent to slitless spectroscopy can obscure these features, complicating their detection and analysis. This thesis introduces an inpainting-based generative deep learning approach for continuum removal, trained directly on two-dimensional spectral images from the ESA Euclid space telescope. By reconstructing the underlying continuum and subtracting it from the observed data, the method enhances the visibility of emission lines for subsequent mapping. Compared to traditional median filtering, which can produce oversubtraction artifacts and is sensitive to spectral orientation, the proposed framework yields cleaner residuals and more accurate flux recovery in simulated data. When applied to real Euclid spectra, it produces emission line maps consistent with the baseline while suppressing spurious background features. These results demonstrate that generative inpainting is a robust and effective alternative for continuum subtraction, highlighting its potential to enhance future studies across a wide range of scientific applications in cosmological surveys such as Euclid.

La caratterizzazione accurata degli spettri galattici è essenziale per estrarre in modo affidabile le proprietà fisiche delle galassie. Uno strumento fondamentale a questo scopo è l’emission line mapping, che consente l’identificazione spaziale delle regioni associate a specifiche linee di emissione. Tuttavia, la sovrapposizione degli spettri, intrinseca alla slitless spectroscopy, può oscurare queste caratteristiche, rendendone complessa la rilevazione e l’analisi. Questa tesi introduce un approccio di continuum removal basato su inpainting generativo e generative deep learning, addestrato direttamente su immagini spettrali bidimensionali provenienti dal telescopio spaziale ESA Euclid. Ricostruendo il continuum sottostante e sottraendolo ai dati osservativi, il metodo migliora la visibilità delle linee di emissione per la successiva mappatura. Rispetto al tradizionale median filtering, che può introdurre artefatti di sovrasottrazione ed è sensibile all’orientamento spettrale, il framework proposto produce residui più puliti e un recupero del flusso più accurato nei dati simulati. Applicato a spettri reali di Euclid, genera mappe di linee di emissione coerenti con il metodo di riferimento, sopprimendo al contempo segnali di fondo spuri. Questi risultati dimostrano che l’inpainting generativo rappresenta un’alternativa robusta ed efficace per la sottrazione del continuum, evidenziandone il potenziale nel rafforzare futuri studi in un’ampia gamma di applicazioni scientifiche nei survey cosmologici come Euclid.