Nástroje pro redukci šumu s AI: NXT, DeepSNR a jejich přátelé

V posledních letech odstraňování hvězd a redukci šumu v astronomických snímcích téměř úplně převzaly nástroje s AI. V tomto článku shrnuji několik hlavních nástrojů pro redukci šumu s AI a také výhody, nevýhody a vývoj jednotlivých verzí, které jsem pozoroval při vlastním testování.

Proč je redukce šumu s AI tak silná?

Nejprve se podívejme na několik čísel a udělejme si představu o velikosti modelů, které za těmito nástroji stojí (měřeno počtem parametrů):

StarXTerminator: 21 milionů
StarNet++: 54 milionů
StarNet V2: 30 milionů
NoiseXTerminator: 24 milionů
Topaz Denoise AI: 14 milionů

Všechny tyto modely staví na klíčových konceptech konvoluce (convolution), víceúrovňového měřítka (multiscale) a prahové hodnoty (threshold). V současnosti se u snímků hlubokého vesmíru využívají hlavně ke dvěma věcem: k odstraňování hvězd a k redukci šumu.

Klíčové je toto: bez pomoci strojového učení a bez optimalizace parametrů pomocí trénovacích dat pro jednotlivé typy astronomických snímků je ve skutečnosti velmi obtížné dosáhnout tradičními metodami nejlepších výsledků u všech typů objektů. Právě v tom spočívá hodnota nástrojů s AI.

I dekonvoluci lze svěřit AI: BlurXTerminator

V roce 2022 se AI dala svěřit i dekonvoluce (Deconvolution). Russell Croman (RC) objevil další využití AI ve zpracování obrazu a vytvořil BlurXTerminator.

Tehdy jsem si stáhl 30denní zkušební verzi a vyzkoušel ji na snímku M1, Krabí mlhovině, pořízeném před deseti lety: vlevo je originální soubor pouze po DBE, uprostřed je výsledek, který jsem dříve získal nativní dekonvolucí v programu PixInsight, a úplně vpravo je výsledek, který BXT zvládl na jedno kliknutí. Efekt byl natolik dobrý, že moje vlastní ruční dekonvoluce v porovnání vypadala jako nepovedený pokus – a to jsem s laděním parametrů strávil aspoň 20 minut, zatímco BXT to zvládl za necelou minutu. Závěr je jednoduchý: co stojí za zaplacení, za to se prostě zaplatí – ušetří to čas a výsledek je navíc lepší.

Srovnání tří způsobů zpracování M1, Krabí mlhoviny: pouze DBE, nativní dekonvoluce PI, BXT na jedno kliknutí

(Úplný úvod do BXT a upozornění, na co si dát pozor, najdete v samostatném článku, zde se jimi nebudu podrobně zabývat.)

Přehled nástrojů pro redukci šumu

NoiseXTerminator (NXT)

NXT je v současnosti hlavní placený nástroj pro redukci šumu s AI a v tomto článku ho opakovaně používám jako srovnávací měřítko. Jeho postupný vývoj jednotlivých verzí přesně ukazuje vlastnost nástrojů s AI, kterou je „neustálá iterace“.

Problém s hvězdami (éra AI1): V raných dobách používání NXT docházelo bez masky k poškození jader RGB hvězd a ve středu luminančních hvězd se objevoval i mírný Star Fade. Tento problém tehdy neměl řešení – Russell zmínil, že podobná situace nastává i na platformě Mac, a ani systém Windows se tomu zjevně nevyhnul. V té fázi tedy nezbývalo než NXT poslušně kombinovat s hvězdnou maskou.

Ukázka problémů s hvězdami způsobených NXT

Aktualizace na AI2 (program 1.1.4): Po nahlášení problému Russellovi zůstala u nového modelu v této aktualizaci v jádrech RGB hvězd jen mírná změna barvy a Star Fade v jádrech luminančních hvězd zmizel. Přátelům, kteří NXT používali, jsem tehdy doporučoval co nejdřív aktualizovat.

Srovnání stavu hvězd před a po aktualizaci NXT 1.1.4 AI2

Další vývoj k AI3: Nová verze AI3 skutečně zlepšila redukci šumu ve vysokých frekvencích, ale u středních frekvencí a barevného šumu působí spíš průměrně; vliv na jasné hvězdy v lineárním stavu stále přetrvává, ale výrazně se zmírnil. Ve zkratce – přátelé, kteří si NXT koupili, nezapomeňte na upgrade, celkový výkon AI3 je opravdu lepší než u AI2.

Srovnání účinku redukce šumu NXT AI3 a AI2

DeepSNR

Nástroj pro redukci šumu s AI nové generace pro astronomické snímky, vyvinutý autorem StarNet Nikitou Misiurou. V současnosti podporuje pouze barevné snímky a musí běžet v prostředí PixInsight; jeho přímým konkurentem na trhu je NXT.

Udělal jsem malé srovnání: podíváme-li se na výsledky v lineárním stavu, zleva doprava jsou to původní snímek, výsledek NXT a výsledek DeepSNR. Zdá se, že si DeepSNR vede velmi dobře. Další velkou výhodou je, že DeepSNR je v současnosti zdarma.

Srovnání výsledků redukce šumu NXT a DeepSNR v lineárním stavu

Při pozdějším testování si nakonec vedly dobře oba, NXT i DeepSNR, a při porovnání obou výsledků metodou Blink už není vidět téměř žádný konkrétní rozdíl. To přináší i praktický úsudek: potřebuje luminanční kanál ještě vyšší intenzitu? Myslím, že ne – při takovém SNR je lineární fáze zhruba na optimálním bodě. U RGB lze přidat trochu víc, ale já sám mám tendenci nechávat prostor pro nelineární fázi.

Výsledky NXT a DeepSNR jsou při porovnání metodou Blink už těžko k rozeznání

Jedna zvláštní výhoda Adobe CRF Denoise

Na závěr ještě doplním jeden příklad z běžné fotografie. Na disku jsem vyhrabal syrový snímek hvězdné oblohy z DSLR (expozice 30 sekund), na originálu bylo hodně horkých pixelů (těch červených a zelených teček). Obvykle je odstraňujeme odečtením dark snímků a pomocí Cosmetic Correction, ale po použití Adobe CRF Denoise horké pixely rovnou zmizely; naproti tomu NXT odstranil jen šum a horké pixely nechal být.

Pro přátele, kteří se věnují běžné fotografii a nefotí dark snímky, se tedy tato výhoda CRF Denoise naplno projeví.

Rozdíl v ošetření horkých pixelů mezi CRF Denoise a NXT na syrovém snímku hvězdné oblohy z DSLR

Shrnutí

Redukce šumu s AI v posledních letech postupuje mílovými kroky a nástrojů není jen jeden: NXT je vyzrálý a stále se vylepšuje, DeepSNR je zdarma a snadno se používá a CRF má svoje šikovné uplatnění v situacích bez dark snímků. Místo lpění na tom, který nástroj je „nejsilnější“, je lepší pamatovat na dvě zásady – dobře využívat masky a v lineární fázi nechat trochu prostoru pro to, co přijde dál. U redukce šumu neplatí, že čím silnější, tím lepší; skutečným uměním je najít ten optimální bod.