MI-alapú zajcsökkentő eszközök: NXT, DeepSNR és barátaik
Az elmúlt években a mesterséges intelligencia (MI) eszközei szinte teljes egészében átvették a csillagászati felvételek csillagtalanítását és zajcsökkentését. Ez a cikk összegyűjt néhány elterjedt MI-alapú zajcsökkentő eszközt, valamint azokat az előnyöket, hátrányokat és verziónkénti fejlődést, amelyeket a saját teszteim során megfigyeltem.
Miért olyan erős az MI-alapú zajcsökkentés?
Nézzünk meg először egy számsort, hogy érzékeljük az ezen eszközök mögött álló modellek méretét (paraméterszám alapján):
- StarXTerminator: 21 millió
- StarNet++: 54 millió
- StarNet V2: 30 millió
- NoiseXTerminator: 24 millió
- Topaz Denoise AI: 14 millió
Ezek a modellek mind a konvolúció (convolution), a többléptékűség (multiscale) és a küszöbérték (threshold) fogalmára épülnek. Jelenleg a mélyég-felvételeken a fő alkalmazásuk két dologra szűkül le: a csillagtalanításra és a zajcsökkentésre.
A lényeg a következő: gépi tanulás nélkül – vagyis anélkül, hogy az egyes égitesttípusokhoz tartozó felvételek tanítóadatai alapján optimalizálnánk a paramétereket – pusztán a hagyományos módszerekkel valójában rendkívül nehéz a legjobb eredményt elérni bármilyen fajta égitestnél. Pontosan itt rejlik az MI-eszközök értéke.
A dekonvolúciót is rábízhatjuk az MI-re: BlurXTerminator
2022-ben már a dekonvolúciót (Deconvolution) is át lehetett engedni az MI-nek. Russell Croman (RC) felfedezte az MI egy újabb alkalmazását a képfeldolgozásban, és megvalósította a BlurXTerminatort.
Akkoriban letöltöttem a 30 napos próbaverziót, és kipróbáltam egy tíz évvel korábban készült M1-felvételen (Rák-köd): a bal oldali kép a csak DBE-vel kezelt eredeti fájl, középen a korábban a PixInsight natív dekonvolúciójával elért eredmény látható, a jobb szélen pedig az, amit a BXT egyetlen kattintással ért el. Az eredmény olyan jó volt, hogy ehhez képest a saját, kézzel végzett dekonvolúcióm olyannak tűnt, mint ami nem is igazán sikerült – pedig legalább 20 percet töltöttem a paraméterek hangolásával, míg a BXT egy percen belül végzett. A következtetés egyszerű: amiért érdemes fizetni, azért fizessünk – időt spórol, és az eredmény is jó.
(A BXT teljes bemutatásáról és a figyelembe veendő szempontokról külön cikk szól, itt nem térek ki rájuk részletesen.)
Körkép a zajcsökkentő eszközökről
NoiseXTerminator (NXT)
Az NXT jelenleg a legelterjedtebb fizetős MI-alapú zajcsökkentő eszköz, és ebben a cikkben is többször ez szolgál összehasonlítási alapként. Verziónkénti fejlődése pontosan szemlélteti az MI-eszközök „folyamatos iterálás” jellegű tulajdonságát.
A csillagprobléma (AI1-korszak): Az NXT kezdeti időszakában maszk nélkül megsérültek az RGB-csillagok magjai, a fényességi csillagok közepén pedig enyhe Star Fade is jelentkezett. Erre a problémára akkoriban nem volt megoldás – Russell megemlítette, hogy a Mac platformon is hasonló volt a helyzet, a Windows pedig nyilvánvalóan szintén nem úszta meg. Ebben az időszakban tehát az NXT használata azt jelentette, hogy szépen csillagmaszkkal kellett párosítani.
Frissítés AI2-re (1.1.4-es programverzió): Miután jeleztem a problémát Russellnek, ennek a frissítésnek az új modelljében az RGB-csillagok magjában már csak enyhe elszíneződés maradt, a fényességi csillagok magjában pedig megszűnt a Star Fade jelenség. Azoknak a barátoknak, akik NXT-t használtak, akkoriban azt javasoltam, hogy mihamarabb frissítsenek.
További fejlődés az AI3-ig: Az új AI3-verzió a magas frekvenciájú zajcsökkentésben valóban javult, a közepes frekvenciák és a színes zaj kezelése azonban csak átlagosnak tűnik; a fényes csillagokra gyakorolt hatás lineáris állapotban továbbra is fennáll, de jelentősen csökkent. Összefoglalva: akik megvásárolták az NXT-t, ne feledjenek frissíteni – az AI3 összteljesítménye valóban jobb, mint az AI2-é.
DeepSNR
A StarNet szerzője, Nikita Misiura által fejlesztett új generációs MI-alapú zajcsökkentő eszköz csillagászati felvételekhez. Jelenleg csak színes képeket támogat, és a PixInsightban kell futtatni; a piacon a közvetlen versenytársa maga az NXT.
Készítettem egy kis összehasonlítást: a lineáris állapotban kapott eredményeket nézve balról jobbra haladva az eredeti kép, az NXT eredménye, majd a DeepSNR eredménye látható. Úgy tűnik, a DeepSNR teljesítménye igen kiváló. Egy másik nagy előnye pedig – hogy a DeepSNR jelenleg ingyenes.
A későbbi tesztek során az NXT és a DeepSNR valójában mindkettő nagyon jól teljesített, és a két eredmény Blink-összehasonlítása során már alig lehetett konkrét különbséget látni. Ez egy gyakorlati megfontolást is felvet: szükséges-e még nagyobb erősséget beállítani a fényességi csatornán? Szerintem nem – ekkora jel-zaj viszony (SNR) mellett a lineáris fázis nagyjából éppen az optimális pont. Az RGB-nél lehet még egy kicsit többet engedni, de én inkább hagyok némi teret a nemlineáris fázisnak.
Az Adobe CRF Denoise egy különleges előnye
Végül kiegészítésül egy általános fotózási helyzet. Előástam a merevlemezről egy DSLR-rel készült csillagos égi nyers fájlt (30 másodperces expozíció), az eredeti képen sok hot pixel volt (azok a piros-zöld pöttyök). Ezeket általában a darkok levonásával és Cosmetic Correction segítségével szoktuk eltávolítani, de az Adobe CRF Denoise alkalmazása után a hot pixelek egyszerűen eltűntek; ezzel szemben az NXT csak a zajt szüntette meg, a hot pixeleket viszont meghagyta.
Éppen ezért az általános fotózással foglalkozó, dark felvételeket nem készítő barátok számára a CRF Denoise ezen előnye egyértelműen megmutatkozik.
Összefoglalás
Az MI-alapú zajcsökkentés az elmúlt években rohamosan fejlődött, és nem is csak egyetlen eszköz létezik: az NXT kiforrott és folyamatosan iterál, a DeepSNR ingyenes és jól használható, a CRF pedig dark felvételek nélküli helyzetben is ügyesen bevethető. Ahelyett, hogy azon rágódnánk, melyik a „legerősebb”, inkább érdemes két alapelvet szem előtt tartani – használjuk okosan a maszkokat, és a lineáris fázisban hagyjunk teret a későbbi lépéseknek. A zajcsökkentésnél nem az az elv, hogy minél erősebb, annál jobb; az igazi tudás abban rejlik, hogy megtaláljuk azt az optimális pontot.