Herramientas de reducción de ruido con IA: NXT, DeepSNR y sus amigos
En los últimos años, el trabajo de eliminación de estrellas y reducción de ruido en las imágenes astronómicas ha pasado a estar casi por completo en manos de las herramientas de IA. Este artículo recopila varias de las herramientas de reducción de ruido con IA más habituales, junto con las ventajas, los inconvenientes y la evolución de versión a versión que he observado en mis propias pruebas.
¿Por qué la reducción de ruido con IA es tan potente?
Primero, echa un vistazo a un conjunto de cifras para hacerte una idea de la escala de los modelos que hay detrás de estas herramientas (medida por el número de parámetros):
- StarXTerminator: 21 millones
- StarNet++: 54 millones
- StarNet V2: 30 millones
- NoiseXTerminator: 24 millones
- Topaz Denoise AI: 14 millones
Todos estos modelos tienen como conceptos centrales la convolución (convolution), la escala múltiple (multiscale) y el umbral (threshold). Su uso principal actual en las imágenes de cielo profundo se reduce a dos cosas: la eliminación de estrellas y la reducción de ruido.
El punto clave está en esto: sin recurrir al aprendizaje automático, sin optimizar los parámetros con datos de entrenamiento orientados a los distintos tipos de imágenes de objetos celestes, resulta en realidad muy difícil obtener el mejor resultado para toda clase de objetos usando solo los métodos tradicionales. Precisamente ahí reside el valor de las herramientas de IA.
La deconvolución también puede apoyarse en la IA: BlurXTerminator
En 2022, hasta la deconvolución (Deconvolution) pudo dejarse en manos de la IA. Russell Croman (RC) descubrió otra aplicación más de la IA en el procesamiento de imágenes e implementó BlurXTerminator.
En aquel momento opté por descargar la versión de prueba de 30 días y la apliqué sobre una imagen de M1, la nebulosa del Cangrejo, tomada diez años atrás: la imagen de la izquierda es el archivo original con solo DBE aplicado, la del medio es un resultado que había obtenido antes con la deconvolución nativa de PixInsight, y la de la derecha del todo es lo que BXT logró con un solo clic. El resultado fue tan bueno que, en comparación, mi propia deconvolución hecha a mano parecía de esas que no habían salido bien; y encima yo le había dedicado al menos 20 minutos a ajustar los parámetros, mientras que BXT terminó en menos de un minuto. La conclusión es simple: por lo que vale la pena pagar, se paga; ahorra tiempo y además queda genial.
(Sobre la introducción completa a BXT y sus advertencias hay un artículo aparte, así que aquí no me extenderé.)
Un recorrido por las herramientas de reducción de ruido
NoiseXTerminator (NXT)
NXT es actualmente la herramienta de pago de reducción de ruido con IA más extendida, y el objeto de referencia que utilizo una y otra vez en este artículo como base de comparación. Su evolución de versión a versión ilustra justamente el rasgo de «iterar de forma continua» propio de las herramientas de IA.
El problema de las estrellas (la época de AI1): en los primeros tiempos, al usar NXT, si no añadías una máscara, se dañaban los núcleos de las estrellas RGB, y en el centro de las estrellas de luminancia aparecía también un ligero Star Fade. Este problema entonces no tenía solución; Russell mencionó que en la plataforma Mac había una situación similar, y Windows evidentemente tampoco se libraba. Así que, en aquella etapa, usar NXT significaba combinarlo dócilmente con una máscara de estrellas.
Actualización a AI2 (programa 1.1.4): después de reportarle el problema a Russell, el nuevo modelo de esta versión actualizada dejaba en los núcleos de las estrellas RGB solo una ligera decoloración, mientras que el Star Fade en los núcleos de las estrellas de luminancia había desaparecido. A los compañeros que usaban NXT, en su momento les recomendé que actualizaran cuanto antes.
Evolución adicional hasta AI3: la nueva versión AI3 mejora efectivamente la reducción de ruido en las altas frecuencias, aunque en las frecuencias medias y en el ruido cromático se ve más bien del montón; en estado lineal, su efecto sobre las estrellas brillantes sigue presente, pero se ha atenuado mucho. En resumen: los compañeros que hayan comprado NXT, que no se olviden de actualizar, pues el rendimiento global de AI3 es efectivamente superior al de AI2.
DeepSNR
Una herramienta de reducción de ruido con IA de nueva generación para imágenes astronómicas, desarrollada por Nikita Misiura, el autor de StarNet. Por ahora solo admite imágenes en color y debe ejecutarse dentro de PixInsight; su competidor directo en el mercado es NXT.
Hice una pequeña comparación: mirando los resultados en estado lineal, de izquierda a derecha están la imagen original, el resultado de NXT y el resultado de DeepSNR. Por lo que se ve, DeepSNR rinde bastante bien. Otra gran ventaja es que DeepSNR, por ahora, es gratuito.
En pruebas posteriores, tanto NXT como DeepSNR lo hicieron en realidad muy bien: al comparar ambos resultados con Blink, ya cuesta distinguir una diferencia concreta. Esto lleva a una decisión práctica: ¿hace falta subir aún más la intensidad en el canal de luminancia? Yo creo que no; con una relación señal-ruido (S/N) así, la etapa lineal está más o menos en el punto dulce. En RGB puedes apretar un poco más, pero yo tiendo a dejar algo de margen para la etapa no lineal.
Una ventaja particular de Adobe CRF Denoise
Para terminar, añado un escenario de fotografía general. Rescaté del disco duro un archivo original de cielo estrellado de una DSLR (exposición de 30 segundos); la imagen original tenía muchos píxeles calientes (esos puntitos rojos y verdes). Normalmente los eliminamos restando los darks y aplicando Cosmetic Correction, pero tras aplicar el CRF Denoise de Adobe los píxeles calientes quedaron eliminados de golpe; en cambio NXT solo eliminó el ruido y dejó los píxeles calientes.
Así pues, para los compañeros que hacen fotografía general y no van a tomar darks, esta ventaja de CRF Denoise se pone bien de manifiesto.
En resumen
La reducción de ruido con IA ha avanzado a toda velocidad estos últimos años, y no hay una sola herramienta: NXT es madura y sigue iterando, DeepSNR es gratuita y cómoda de usar, y CRF tiene su propio ingenio en el escenario sin darks. En lugar de obsesionarte con cuál es «la más potente», más vale recordar dos principios: aprovecha bien las máscaras y deja algo de margen en la etapa lineal para lo que viene después. En la reducción de ruido no es cierto que cuanto más fuerte, mejor; dar con ese punto dulce es lo que tiene mérito.