ابزارهای کاهش نویز با هوش مصنوعی: NXT، DeepSNR و دوستانشان
در چند سال اخیر، کار حذف ستارهها و کاهش نویز در تصاویر نجومی تقریباً بهطور کامل به دست ابزارهای هوش مصنوعی افتادهاست. در این نوشته چند ابزار اصلی کاهش نویز مبتنی بر هوش مصنوعی را مرور میکنم، همراه با نقاط قوت و ضعف و سیر تحول نسخههایشان که در آزمایشهای عملی خودم مشاهده کردهام.
چرا کاهش نویز با هوش مصنوعی اینقدر قوی است؟
ابتدا به یک دسته عدد نگاه کنید تا حسی از اندازهٔ مدلهایی که پشت این ابزارها هستند به دست بیاورید (بر حسب تعداد پارامترها):
- StarXTerminator: 21 میلیون
- StarNet++: 54 میلیون
- StarNet V2: 30 میلیون
- NoiseXTerminator: 24 میلیون
- Topaz Denoise AI: 14 میلیون
همهٔ این مدلها کانولوشن (convolution)، چندمقیاسی (multiscale) و آستانه (threshold) را بهعنوان مفاهیم محوری خود دارند. کاربرد اصلی آنها در حال حاضر روی تصاویر اعماق آسمان به دو چیز خلاصه میشود: حذف ستارهها و کاهش نویز.
نکتهٔ کلیدی این است — بدون کمک گرفتن از یادگیری ماشین و بدون بهینهسازی پارامترها بر پایهٔ دادههای آموزشی که برای انواع گوناگون تصاویر اجرام آسمانی تهیه شدهاست، تنها با روشهای سنتی واقعاً بسیار دشوار است که برای هر نوع جرمی بهترین نتیجه را به دست آورید. ارزش ابزارهای هوش مصنوعی دقیقاً همینجاست.
Deconvolution را هم میتوان به هوش مصنوعی سپرد: BlurXTerminator
در سال 2022، حتی Deconvolution را هم میشد به هوش مصنوعی سپرد. Russell Croman (RC) کاربرد تازهای از هوش مصنوعی در پردازش تصویر پیدا کرد و BlurXTerminator را پیادهسازی کرد.
آن زمان نسخهٔ آزمایشی 30 روزه را دانلود کردم و آن را روی تصویری از M1، سحابی خرچنگ، که ده سال پیش گرفته بودم اجرا کردم: تصویر سمت چپ فایل اصلی است که فقط DBE روی آن اعمال شده، وسط نتیجهای است که پیشتر با Deconvolution بومی PixInsight به دست آورده بودم، و سمت راست نتیجهای است که BXT تنها با یک کلیک ساخت. نتیجه آنقدر خوب بود که در مقایسه، Deconvolution دستی خودم شبیه کارهایی به نظر میرسید که موفق از آب درنیامدهاند — آن هم در حالی که من دستکم 20 دقیقه صرف تنظیم پارامترها کرده بودم و BXT در کمتر از یک دقیقه کار را تمام کرد. نتیجهگیری ساده است: چیزی که ارزش پول دادن دارد، پولش را بدهید؛ هم در وقت صرفهجویی میشود و هم نتیجه خوب از کار درمیآید.
(دربارهٔ مقدمهٔ کامل BXT و نکاتی که باید در نظر داشت، نوشتهٔ جداگانهای هست و اینجا واردش نمیشوم.)
گشتی میان ابزارهای کاهش نویز
NoiseXTerminator (NXT)
NXT در حال حاضر ابزار پولی و اصلی کاهش نویز مبتنی بر هوش مصنوعی است و در این نوشته هم بارها آن را مبنای مقایسه قرار دادهام. سیر تحول نسخههای آن دقیقاً ویژگی «تکرار و بهبود پیوسته» در ابزارهای هوش مصنوعی را نشان میدهد.
مشکل ستارهها (دورهٔ AI1): در روزهای نخست کار با NXT، اگر ماسک اضافه نمیکردید، هستهٔ ستارههای RGB آسیب میدید و در مرکز ستارههای کانال luminance (L) هم Star Fade خفیفی پیدا میشد. آن زمان این مشکل راهحلی نداشت؛ Russell اشاره کرد که پلتفرم Mac هم وضعیت مشابهی دارد، و Windows هم آشکارا از آن در امان نبود. پس در آن مرحله، اگر NXT را به کار میبردید، باید سربهراه آن را با ماسک ستاره همراه میکردید.
بهروزرسانی به AI2 (برنامهٔ 1.1.4): پس از آنکه مشکل را به Russell گزارش دادم، در مدل تازهٔ این بهروزرسانی تنها تغییر رنگ خفیفی در هستهٔ ستارههای RGB باقی ماند و Star Fade در هستهٔ ستارههای luminance از میان رفت. آن زمان به دوستانی که از NXT استفاده میکردند توصیه کردم هرچه زودتر بهروزرسانی کنند.
تحول بعدی تا AI3: نسخهٔ تازهٔ AI3 در کاهش نویز فرکانسهای بالا واقعاً بهتر شدهاست، اما در فرکانس میانی و نویز رنگی عملکردش معمولی به نظر میرسد؛ تأثیرش بر ستارههای درخشان در حالت خطی هنوز هست، ولی خیلی کمتر شدهاست. خلاصه اینکه — دوستانی که NXT خریدهاند یادشان باشد ارتقا بدهند؛ عملکرد کلی AI3 واقعاً بهتر از AI2 است.
DeepSNR
ابزاری از نسل جدید برای کاهش نویز تصاویر نجومی با هوش مصنوعی که Nikita Misiura، نویسندهٔ StarNet، آن را ساختهاست. فعلاً فقط از تصاویر رنگی پشتیبانی میکند و باید حتماً داخل PixInsight اجرا شود؛ رقیب مستقیمش در بازار همان NXT است.
یک مقایسهٔ کوچک انجام دادم: در نتایج حالت خطی، از چپ به راست به ترتیب تصویر اصلی، نتیجهٔ NXT و نتیجهٔ DeepSNR را میبینید. ظاهراً عملکرد DeepSNR بسیار خوب است. مزیت بزرگ دیگرش هم این است که — DeepSNR در حال حاضر رایگان است.
در آزمایشهای بعدی، در واقع هم NXT و هم DeepSNR کارشان را خیلی خوب انجام دادند؛ وقتی دو نتیجه را با Blink مقایسه میکنید، دیگر تفاوت مشخصی دیده نمیشود. از همینجا یک قضاوت عملی هم بیرون میآید: آیا کانال luminance به شدت بالاتری نیاز دارد؟ به نظر من نه — با چنین SNR، مرحلهٔ خطی تقریباً همان نقطهٔ بهینه است. روی RGB میشود کمی بیشتر فشار آورد، اما من ترجیح میدهم کمی فضا برای مرحلهٔ غیرخطی باقی بگذارم.
یک مزیت ویژهٔ Adobe CRF Denoise
در پایان یک موقعیت از عکاسی معمولی را هم اضافه میکنم. از روی هارد یک فایل اصلی آسمان پرستاره که با DSLR گرفته شده بود (نوردهی 30 ثانیه) بیرون کشیدم؛ تصویر اصلی پر بود از پیکسلهای داغ (hot pixel)، همان نقطههای قرمز و سبز. معمولاً ما با کم کردن فریمهای dark و اجرای Cosmetic Correction آنها را از بین میبریم، اما بعد از اعمال CRF Denoise شرکت Adobe، پیکسلهای داغ یکسره پاک شدند؛ در مقابل، NXT فقط نویز را برداشت و پیکسلهای داغ را باقی گذاشت.
بنابراین برای دوستانی که عکاسی معمولی میکنند و فریم dark نمیگیرند، همین مزیت CRF Denoise خوب به چشم میآید.
جمعبندی
کاهش نویز با هوش مصنوعی در این چند سال بهسرعت پیشرفت کردهاست و ابزارش هم فقط یکی نیست: NXT پخته است و پیوسته بهروز میشود، DeepSNR هم رایگان است و هم خوشدست، و CRF در موقعیت بدون فریم dark کاربرد هوشمندانهٔ خودش را دارد. بهجای گیر دادن به اینکه کدامیک «قویترین» است، بهتر است دو اصل را به یاد بسپارید — از ماسک خوب استفاده کنید، و در مرحلهٔ خطی کمی فضا برای مراحل بعدی باقی بگذارید. در کاهش نویز اینطور نیست که هرچه سنگینتر بهتر؛ پیدا کردن همان نقطهٔ بهینه است که هنر میخواهد.