KI-Rauschminderungswerkzeuge: NXT, DeepSNR und ihre Freunde

In den letzten Jahren wurden das Entsternen und die Rauschminderung bei Astrobildern fast vollständig von KI-Werkzeugen übernommen. Dieser Artikel arbeitet einige verbreitete KI-Rauschminderungswerkzeuge auf sowie ihre Stärken, Schwächen und die Entwicklung von Version zu Version, die ich in eigenen Tests beobachtet habe.

Warum ist KI-Rauschminderung so stark?

Sieh dir zunächst eine Reihe von Zahlen an, um ein Gefühl für die Größe der Modelle hinter diesen Werkzeugen zu bekommen (gemessen an der Parameterzahl):

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

Diese Modelle haben allesamt Faltung (convolution), Multiskalen (multiscale) und Schwellenwert (threshold) als Kernkonzepte. Ihr derzeitiger Haupteinsatz bei Deep-Sky-Bildern läuft auf zwei Dinge hinaus: Entsternen und Rauschminderung.

Der Knackpunkt ist: Ohne maschinelles Lernen — ohne die Parameter anhand von Trainingsdaten für die verschiedenen Typen von Himmelsbildern zu optimieren — ist es mit den herkömmlichen Methoden allein tatsächlich sehr schwer, für alle möglichen Objekte das beste Ergebnis zu erzielen. Genau hier liegt der Wert der KI-Werkzeuge.

Auch die Dekonvolution kann sich auf KI stützen: BlurXTerminator

2022 konnte sogar die Dekonvolution (Deconvolution) der KI überlassen werden. Russell Croman (RC) entdeckte eine weitere Anwendung der KI in der Bildbearbeitung und setzte BlurXTerminator um.

Ich entschied mich damals für den 30-tägigen Download-Test und nahm eine zehn Jahre zuvor aufgenommene M1, den Krebsnebel, zur Bearbeitung: Das linke Bild ist die Rohdatei mit nur angewandtem DBE, in der Mitte steht ein Ergebnis, das ich zuvor mit der nativen Dekonvolution von PixInsight erzielt hatte, und ganz rechts das, was BXT mit einem einzigen Klick geschafft hat. Das Ergebnis war so gut, dass meine eigene, von Hand gemachte Dekonvolution im Vergleich wie eine aussah, die nicht so recht gelungen war — und dabei hatte ich mindestens 20 Minuten mit dem Austüfteln der Parameter verbracht, während BXT in weniger als einer Minute fertig war. Das Fazit ist einfach: Wofür sich das Bezahlen lohnt, dafür zahlt man auch — es spart Zeit und sieht dazu gut aus.

(Zur vollständigen Einführung in BXT und den zu beachtenden Punkten gibt es einen eigenen Artikel, daher gehe ich hier nicht näher darauf ein.)

Ein Rundgang durch die Rauschminderungswerkzeuge

NoiseXTerminator (NXT)

NXT ist derzeit das verbreitete kostenpflichtige KI-Rauschminderungswerkzeug und der Maßstab, auf den ich in diesem Artikel mehrfach zurückgreife. Seine Entwicklung von Version zu Version veranschaulicht bestens das Wesen der KI-Werkzeuge, sich „fortlaufend zu iterieren“.

Das Sternproblem (die AI1-Ära): In der Anfangszeit mit NXT wurden ohne Maske die Kerne der RGB-Sterne beschädigt, und im Zentrum der Luminanzsterne trat ein leichtes Star Fade auf. Dieses Problem war damals ungelöst; Russell erwähnte, dass es auf der Mac-Plattform eine ähnliche Situation gebe, und Windows blieb offensichtlich auch nicht verschont. In jener Phase hieß es also, NXT brav mit einer Sternmaske zu kombinieren.

Update auf AI2 (Programm 1.1.4): Nachdem ich das Problem an Russell gemeldet hatte, blieb beim neuen Modell dieses Updates in den RGB-Sternkernen nur noch eine leichte Verfärbung, während das Star Fade in den Luminanzsternkernen verschwunden war. Den Freunden, die NXT nutzten, riet ich damals, möglichst bald zu aktualisieren.

Weiterentwicklung zu AI3: Das neue AI3 bringt bei der Rauschminderung im Hochfrequenzbereich tatsächlich Verbesserungen, doch bei den mittleren Frequenzen und dem Farbrauschen wirkt es nur durchschnittlich; der Einfluss auf helle Sterne im linearen Zustand besteht weiterhin, ist aber deutlich abgemildert. Kurz gesagt — wer NXT gekauft hat, sollte an das Upgrade denken: Die Gesamtleistung von AI3 ist der von AI2 tatsächlich überlegen.

DeepSNR

Ein KI-Rauschminderungswerkzeug der neuen Generation für Astrobilder, entwickelt vom StarNet-Autor Nikita Misiura. Es unterstützt derzeit nur Farbbilder und muss innerhalb von PixInsight laufen; sein direkter Konkurrent am Markt ist NXT.

Ich habe einen kleinen Vergleich angestellt: Betrachtet man die Ergebnisse im linearen Zustand, sind es von links nach rechts das Originalbild, das NXT-Ergebnis und das DeepSNR-Ergebnis. Dem Anschein nach schneidet DeepSNR recht hervorragend ab. Ein weiterer großer Vorteil ist — DeepSNR ist derzeit kostenlos.

In späteren Tests machten NXT und DeepSNR beide tatsächlich einen sehr guten Job — vergleicht man die beiden Ergebnisse per Blink, ist kaum noch ein konkreter Unterschied auszumachen. Daraus ergibt sich auch eine praktische Abwägung: Muss man beim Luminanzkanal die Stärke noch höher drehen? Ich meine, nein — bei einem solchen SNR ist die lineare Phase ungefähr der Sweetspot. Bei RGB darf man etwas mehr zulegen, doch ich neige dazu, für die nichtlineare Phase etwas Spielraum zu lassen.

Ein besonderer Vorteil von Adobe CRF Denoise

Zum Schluss noch eine Ergänzung zu einem Szenario aus der allgemeinen Fotografie. Ich habe eine DSLR-Sternhimmel-Rohdatei (30 Sekunden Belichtung) von der Festplatte ausgegraben; das Originalbild hatte viele Hot Pixels (diese roten und grünen Pünktchen). Normalerweise beseitigen wir sie durch den Abzug von Darks und Cosmetic Correction, doch nach Anwendung von Adobes CRF Denoise waren die Hot Pixels glatt verschwunden; NXT hingegen entfernte nur das Rauschen und ließ die Hot Pixels zurück.

Für Freunde, die allgemeine Fotografie betreiben und keine Darks aufnehmen, kommt dieser Vorteil von CRF Denoise also voll zur Geltung.

Fazit

Die KI-Rauschminderung hat in den letzten Jahren rasante Fortschritte gemacht, und es gibt nicht nur ein einziges Werkzeug: NXT ist ausgereift und iteriert weiter, DeepSNR ist kostenlos und angenehm zu benutzen, und CRF hat im Szenario ohne Darks seinen eigenen cleveren Nutzen. Statt sich darauf zu versteifen, welches davon „das Stärkste“ ist, merkt man sich besser zwei Grundsätze — nutze Masken gekonnt und lass in der linearen Phase etwas Spielraum für das, was danach kommt. Bei der Rauschminderung gilt nicht: je stärker, desto besser; jenen Sweetspot zu finden, das ist die eigentliche Kunst.