Alat Reduksi Noise AI: NXT, DeepSNR, dan Teman-Temannya

Dalam beberapa tahun terakhir, pekerjaan penghapusan bintang dan reduksi noise pada citra astronomi nyaris sepenuhnya diambil alih oleh alat AI. Artikel ini merangkum beberapa alat reduksi noise AI arus utama, berikut kelebihan, kekurangan, dan evolusi antarversi yang saya amati dalam pengujian nyata.

Mengapa Reduksi Noise AI Begitu Kuat?

Mari kita lihat dulu sekumpulan angka, supaya terasa seberapa besar skala model di balik alat-alat ini (dihitung dari jumlah parameter):

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

Semua model ini berporos pada konsep inti konvolusi (convolution), multiskala (multiscale), dan ambang (threshold). Saat ini, kegunaan utamanya pada citra deep sky bermuara pada dua hal: penghapusan bintang dan reduksi noise.

Kuncinya ada di sini — tanpa bantuan machine learning, tanpa mengoptimalkan parameter memakai data latih yang ditujukan bagi berbagai jenis citra benda langit, sebenarnya sangat sulit memperoleh hasil terbaik untuk segala macam benda langit hanya dengan cara tradisional. Justru di situlah letak nilai alat AI.

Dekonvolusi pun Bisa Mengandalkan AI: BlurXTerminator

Pada 2022, bahkan dekonvolusi (Deconvolution) pun sudah bisa diserahkan kepada AI. Russell Croman (RC) menemukan satu lagi penerapan AI dalam pemrosesan citra, lalu mewujudkannya menjadi BlurXTerminator.

Waktu itu saya memilih mengunduh versi uji coba 30 hari, lalu mengerjakan sebuah foto M1 Nebula Kepiting yang saya ambil sepuluh tahun sebelumnya: gambar kiri adalah berkas asli yang hanya dikenai DBE, bagian tengah adalah hasil yang dahulu saya buat dengan dekonvolusi bawaan PixInsight, dan paling kanan adalah hasil yang diselesaikan BXT dengan satu klik. Hasilnya begitu bagus sampai-sampai, kalau dibandingkan, dekonvolusi yang saya kerjakan sendiri secara manual justru tampak seperti yang tidak berhasil — padahal saya sudah menghabiskan sedikitnya 20 menit untuk menjajal parameter, sementara BXT selesai dalam waktu kurang dari satu menit. Kesimpulannya sederhana: yang memang layak dibayar, bayar saja — hemat waktu, hasilnya pun bagus.

(Mengenai panduan lengkap BXT beserta hal-hal yang perlu diperhatikan, sudah ada artikel tersendiri, jadi di sini tidak saya uraikan.)

Menjelajahi Alat Reduksi Noise

NoiseXTerminator (NXT)

NXT adalah alat reduksi noise AI berbayar yang saat ini menjadi arus utama, sekaligus tolok ukur yang berkali-kali saya jadikan pembanding dalam artikel ini. Perjalanan evolusi versinya justru menggambarkan dengan pas sifat alat AI yang “terus beriterasi”.

Masalah bintang (era AI1): Pada masa awal memakai NXT, bila tidak ditambahkan mask, inti bintang RGB akan rusak, dan pusat bintang luminans pun memperlihatkan Star Fade ringan. Waktu itu masalah ini belum ada solusinya; Russell menyebut platform Mac mengalami situasi serupa, dan Windows jelas tidak luput juga. Jadi, pada tahap itu, memakai NXT berarti menurut saja memadukannya dengan mask bintang.

Pembaruan ke AI2 (program 1.1.4): Setelah saya melaporkan masalah tersebut kepada Russell, pada model baru hasil pembaruan versi ini inti bintang RGB hanya menyisakan perubahan warna ringan, sedangkan Star Fade pada inti bintang luminans sudah lenyap. Kepada rekan-rekan yang memakai NXT, waktu itu saya sarankan agar segera memperbarui.

Berkembang lagi ke AI3: Versi baru AI3 memang membawa perbaikan pada reduksi noise di frekuensi tinggi, tetapi penanganan frekuensi menengah dan noise warnanya terlihat biasa saja; pengaruhnya terhadap bintang terang dalam keadaan linear masih ada, namun sudah jauh berkurang. Ringkasnya — rekan-rekan yang sudah membeli NXT jangan lupa meningkatkan versinya, sebab secara keseluruhan AI3 memang lebih unggul daripada AI2.

DeepSNR

Sebuah alat reduksi noise AI generasi baru untuk citra astronomi, dikembangkan oleh Nikita Misiura, penulis StarNet. Saat ini ia hanya mendukung citra berwarna dan harus dijalankan di dalam PixInsight; pesaing langsungnya di pasaran tak lain adalah NXT.

Saya membuat satu perbandingan kecil: dilihat dari hasil dalam keadaan linear, dari kiri ke kanan berturut-turut adalah citra asli, hasil NXT, dan hasil DeepSNR. Tampaknya kinerja DeepSNR cukup istimewa. Satu keunggulan besar lainnya adalah — DeepSNR saat ini gratis.

Pada pengujian berikutnya, NXT dan DeepSNR sebenarnya sama-sama mengerjakannya dengan sangat baik; ketika kedua hasilnya dibandingkan dengan Blink, perbedaan konkretnya sudah nyaris tak terlihat. Dari sini muncul pula satu pertimbangan praktis: apakah kanal luminans masih perlu dinaikkan kekuatannya? Menurut saya tidak perlu — pada rasio sinyal terhadap noise (S/N) seperti ini, tahap linear kurang lebih sudah berada di sweet spot-nya. RGB boleh sedikit lebih berani, tetapi saya cenderung menyisakan ruang untuk tahap nonlinear.

Satu Keunggulan Khusus Adobe CRF Denoise

Terakhir, saya tambahkan satu situasi dari fotografi umum. Saya menggali sebuah berkas asli langit berbintang hasil DSLR (eksposur 30 detik) dari hard disk; citra aslinya punya banyak hot pixel (titik-titik merah dan hijau itu). Biasanya kita melenyapkannya dengan mengurangkan dark dan menjalankan Cosmetic Correction, tetapi setelah CRF Denoise dari Adobe diterapkan, hot pixel langsung terhapus; sebaliknya NXT hanya melenyapkan noise dan justru meninggalkan hot pixel.

Karena itu, bagi rekan-rekan yang menekuni fotografi umum dan tidak memotret dark, keunggulan CRF Denoise yang satu ini benar-benar terlihat.

Ringkasan

Reduksi noise AI melaju pesat beberapa tahun ini, dan alatnya pun tidak cuma satu: NXT sudah matang dan terus beriterasi, DeepSNR gratis sekaligus enak dipakai, dan CRF punya kegunaan cerdiknya sendiri pada situasi tanpa dark. Daripada terpaku pada mana yang “paling kuat”, lebih baik mengingat dua prinsip — manfaatkan mask dengan baik, dan sisakan sedikit ruang pada tahap linear untuk proses sesudahnya. Reduksi noise bukan soal semakin berat semakin bagus; menemukan sweet spot itulah keahlian yang sesungguhnya.