Outils de réduction du bruit par IA : NXT, DeepSNR et leurs amis

Ces dernières années, le travail de retrait des étoiles et de réduction du bruit dans les images astronomiques a été presque entièrement repris par les outils d’IA. Cet article passe en revue quelques-uns des outils de réduction du bruit par IA les plus répandus, ainsi que les avantages, les inconvénients et l’évolution d’une version à l’autre que j’ai observés au fil de mes essais.

Pourquoi la réduction du bruit par IA est-elle si puissante ?

Regardons d’abord une série de chiffres pour se faire une idée de l’échelle des modèles qui se cachent derrière ces outils (mesurée en nombre de paramètres) :

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

Tous ces modèles ont pour concepts centraux la convolution (convolution), l’échelle multiple (multiscale) et le seuil (threshold). Actuellement, dans les images du ciel profond, leur usage principal se résume à deux choses : le retrait des étoiles et la réduction du bruit.

Le point clé est le suivant : sans recourir à l’apprentissage automatique, sans optimiser les paramètres à partir de données d’entraînement ciblant les divers types d’images d’objets célestes, il est en réalité très difficile d’obtenir le meilleur résultat pour toutes sortes d’objets avec les seules méthodes traditionnelles. C’est précisément là que réside la valeur des outils d’IA.

La déconvolution aussi peut compter sur l’IA : BlurXTerminator

En 2022, même la déconvolution (Deconvolution) a pu être confiée à l’IA. Russell Croman (RC) a découvert une nouvelle application de l’IA dans le traitement des images et a mis au point BlurXTerminator.

J’ai alors choisi de télécharger la version d’essai de 30 jours et je l’ai appliquée à une image de M1, la nébuleuse du Crabe, prise dix ans plus tôt : l’image de gauche est le fichier brut avec seulement le DBE appliqué, celle du milieu est un résultat que j’avais obtenu auparavant avec la déconvolution native de PixInsight, et celle tout à droite est ce que BXT a réalisé en un seul clic. Le résultat était si bon que, par comparaison, ma propre déconvolution faite à la main ressemblait à l’une de celles qui n’avaient pas vraiment abouti — et par-dessus le marché, j’avais passé au moins 20 minutes à peaufiner les paramètres, tandis que BXT a terminé en moins d’une minute. La conclusion est simple : ce qui vaut la peine d’être payé, on le paie — cela fait gagner du temps et le rendu est excellent.

Trois traitements de M1, la nébuleuse du Crabe, comparés : DBE seul, déconvolution native de PI, BXT en un seul clic

(Il existe un article dédié couvrant l’introduction complète à BXT et ses points de vigilance, aussi je ne m’y attarde pas ici.)

Un tour d’horizon des outils de réduction du bruit

NoiseXTerminator (NXT)

NXT est actuellement l’outil payant de réduction du bruit par IA le plus répandu, et c’est aussi le point de référence auquel je recours à plusieurs reprises dans cet article. Son évolution au fil des versions illustre justement le caractère « d’itération continue » propre aux outils d’IA.

Le problème des étoiles (l’époque de l’AI1) : aux débuts, en utilisant NXT, si l’on n’ajoutait pas de masque, le cœur des étoiles RGB était endommagé, et le centre des étoiles de luminance présentait aussi un léger Star Fade. À l’époque, ce problème était sans solution ; Russell a mentionné que la plateforme Mac connaissait une situation semblable, et Windows n’y échappait manifestement pas non plus. Donc, à cette période, utiliser NXT voulait dire l’associer sagement à un masque d’étoiles.

Démonstration des problèmes d’étoiles causés par NXT

Mise à jour vers l’AI2 (programme 1.1.4) : après avoir signalé le problème à Russell, le nouveau modèle de cette version mise à jour ne laissait plus qu’une légère altération de couleur au cœur des étoiles RGB, tandis que le Star Fade au cœur des étoiles de luminance avait disparu. Aux amis qui utilisaient NXT, je conseillais alors de mettre à jour au plus vite.

Comparaison de l’état des étoiles avant et après la mise à jour AI2 de NXT 1.1.4

Une nouvelle évolution vers l’AI3 : la nouvelle version AI3 apporte effectivement des améliorations sur la réduction du bruit dans les hautes fréquences, mais pour les moyennes fréquences et le bruit chromatique, elle paraît quelconque ; à l’état linéaire, l’effet sur les étoiles brillantes subsiste, mais il est très atténué. En résumé — les amis qui ont acheté NXT ne doivent pas oublier de faire la mise à niveau, car les performances globales de l’AI3 sont réellement supérieures à celles de l’AI2.

Comparaison de l’effet de réduction du bruit entre NXT AI3 et AI2

DeepSNR

Un outil de réduction du bruit par IA de nouvelle génération pour les images astronomiques, développé par Nikita Misiura, l’auteur de StarNet. Il ne prend actuellement en charge que les images en couleur et doit être exécuté à l’intérieur de PixInsight ; son concurrent direct sur le marché est justement NXT.

J’ai fait une petite comparaison : à regarder les résultats à l’état linéaire, de gauche à droite se trouvent dans l’ordre l’image originale, le résultat de NXT et le résultat de DeepSNR. À première vue, DeepSNR s’en tire fort bien. Un autre grand avantage est que DeepSNR est, pour l’instant, gratuit.

Comparaison des résultats de réduction du bruit de NXT et DeepSNR à l’état linéaire

Lors des essais ultérieurs, NXT et DeepSNR se sont en réalité tous deux très bien débrouillés : en comparant les deux résultats avec Blink, il est désormais difficile de discerner une différence concrète. Cela amène aussi un jugement pratique : le canal de luminance a-t-il besoin d’une intensité encore plus élevée ? Je ne le pense pas — avec un rapport signal/bruit (S/B) pareil, l’étape linéaire se situe à peu près au point idéal. Sur le RGB, on peut pousser un peu plus, mais j’ai tendance à laisser un peu d’espace pour l’étape non linéaire.

Résultats de NXT et DeepSNR comparés avec Blink — désormais difficiles à distinguer

Un avantage particulier d’Adobe CRF Denoise

Pour finir, j’ajoute un scénario de photographie générale. J’ai exhumé du disque dur un fichier brut de ciel étoilé pris au reflex numérique (pose de 30 secondes) ; l’image d’origine comportait beaucoup de pixels chauds (hot pixels — ces petits points rougeâtres et verdâtres). D’ordinaire, on les élimine en soustrayant les darks et en exécutant la Cosmetic Correction, mais après avoir appliqué le CRF Denoise d’Adobe, les pixels chauds ont été supprimés d’emblée ; NXT, au contraire, n’a éliminé que le bruit en laissant les pixels chauds.

Ainsi, pour les amis qui font de la photographie générale et ne prennent pas de darks, cet atout du CRF Denoise se révèle pleinement.

La différence entre CRF Denoise et NXT dans le traitement des pixels chauds sur un fichier brut de ciel étoilé pris au reflex numérique

En résumé

La réduction du bruit par IA a progressé à toute allure ces dernières années, et il n’y a pas qu’un seul outil : NXT est mûr et continue d’itérer, DeepSNR est gratuit et agréable à utiliser, et CRF a son propre usage astucieux dans le scénario sans darks. Plutôt que de s’obstiner à savoir lequel est « le plus puissant », mieux vaut retenir deux principes — bien exploiter les masques, et laisser un peu d’espace à l’étape linéaire pour ce qui vient ensuite. En réduction du bruit, il n’est pas vrai que plus c’est fort, mieux c’est ; trouver ce point idéal, voilà où est le savoir-faire.