Strumenti di riduzione del rumore con IA: NXT, DeepSNR e i loro amici

Negli ultimi anni, il lavoro di rimozione delle stelle e di riduzione del rumore nelle immagini astronomiche è passato quasi interamente nelle mani degli strumenti di IA. Questo articolo mette in ordine alcuni dei più diffusi strumenti di riduzione del rumore con IA, insieme ai pregi, ai difetti e all’evoluzione da versione a versione che ho osservato nelle mie prove.

Perché la riduzione del rumore con IA è così potente?

Diamo prima un’occhiata a una serie di numeri, per farsi un’idea della scala dei modelli che stanno dietro a questi strumenti (misurata in numero di parametri):

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

Tutti questi modelli hanno come concetti centrali la convoluzione (convolution), la multiscala (multiscale) e la soglia (threshold). Attualmente, nelle immagini del cielo profondo il loro impiego principale si riduce a due cose: la rimozione delle stelle e la riduzione del rumore.

Il punto chiave è questo: senza ricorrere al machine learning, senza ottimizzare i parametri sulla base di dati di addestramento mirati ai vari tipi di immagini di oggetti celesti, con i soli metodi tradizionali è in realtà molto difficile ottenere il risultato migliore per ogni sorta di oggetto. È proprio qui che risiede il valore degli strumenti di IA.

Anche la deconvoluzione può contare sull’IA: BlurXTerminator

Nel 2022, persino la deconvoluzione (Deconvolution) ha potuto essere affidata all’IA. Russell Croman (RC) ha scoperto un’ulteriore applicazione dell’IA nell’elaborazione delle immagini e ha realizzato BlurXTerminator.

Allora scelsi di scaricare la versione di prova di 30 giorni e la applicai a un’immagine di M1, la Nebulosa del Granchio, ripresa dieci anni prima: l’immagine a sinistra è il file originale con applicato solo il DBE, quella al centro è un risultato che avevo ottenuto in precedenza con la deconvoluzione nativa di PixInsight, e quella all’estrema destra è ciò che BXT ha realizzato con un solo clic. Il risultato era così buono che, al confronto, la deconvoluzione che avevo fatto a mano sembrava di quelle non proprio riuscite; e per giunta io ci avevo speso almeno 20 minuti a mettere a punto i parametri, mentre BXT ha finito in meno di un minuto. La conclusione è semplice: per ciò che vale la pena pagare, si paga: si risparmia tempo e per di più il risultato è ottimo.

(Sull’introduzione completa a BXT e sui punti a cui prestare attenzione esiste un articolo dedicato, perciò qui non mi dilungo.)

Un giro tra gli strumenti di riduzione del rumore

NoiseXTerminator (NXT)

NXT è attualmente lo strumento a pagamento di riduzione del rumore con IA più diffuso, ed è anche il termine di paragone a cui ricorro più volte in questo articolo. La sua evoluzione da versione a versione illustra bene la caratteristica dell’«iterazione continua» propria degli strumenti di IA.

Il problema delle stelle (l’epoca dell’AI1): agli inizi, usando NXT, se non si aggiungeva una maschera i nuclei delle stelle RGB venivano danneggiati, e al centro delle stelle di luminanza compariva anche un leggero Star Fade. All’epoca il problema non aveva soluzione; Russell accennò che sulla piattaforma Mac si presentava una situazione simile, e Windows evidentemente non ne era esente. Perciò, in quella fase, usare NXT significava abbinarlo diligentemente a una maschera delle stelle.

Aggiornamento all’AI2 (programma 1.1.4): dopo che ebbi segnalato il problema a Russell, con il nuovo modello di questa versione aggiornata nei nuclei delle stelle RGB rimaneva solo una lieve alterazione di colore, mentre lo Star Fade nei nuclei delle stelle di luminanza era sparito. Agli amici che usavano NXT consigliai allora di aggiornare quanto prima.

Un’ulteriore evoluzione all’AI3: la nuova versione AI3 porta effettivamente dei miglioramenti nella riduzione del rumore alle alte frequenze, però alle medie frequenze e sul rumore cromatico appare piuttosto nella media; nello stato lineare l’effetto sulle stelle luminose permane, ma è molto attenuato. In breve: gli amici che hanno acquistato NXT non dimentichino di fare l’upgrade, perché la resa complessiva dell’AI3 è davvero superiore a quella dell’AI2.

DeepSNR

Uno strumento di riduzione del rumore con IA di nuova generazione per le immagini astronomiche, sviluppato da Nikita Misiura, l’autore di StarNet. Al momento supporta solo le immagini a colori e deve essere eseguito all’interno di PixInsight; il suo concorrente diretto sul mercato è proprio NXT.

Ho fatto un piccolo confronto: guardando i risultati nello stato lineare, da sinistra a destra ci sono nell’ordine l’immagine originale, il risultato di NXT e il risultato di DeepSNR. A quanto pare, DeepSNR se la cava piuttosto bene. Un altro grande vantaggio è che DeepSNR, al momento, è gratuito.

Nelle prove successive, in realtà sia NXT sia DeepSNR se la sono cavata molto bene: confrontando i due risultati con Blink, ormai è difficile cogliere una differenza concreta. Da ciò emerge anche una valutazione pratica: il canale di luminanza ha bisogno di un’intensità ancora più alta? Ritengo di no: con un rapporto segnale/rumore (S/N) del genere, la fase lineare si trova più o meno nel punto ideale. Sull’RGB si può spingere un po’ di più, ma io tendo a lasciare un po’ di spazio per la fase non lineare.

Un vantaggio particolare di Adobe CRF Denoise

Per finire, aggiungo uno scenario di fotografia generale. Ho ripescato dal disco fisso un file originale di cielo stellato ripreso con una DSLR (posa di 30 secondi); l’immagine originale aveva molti hot pixel, ossia pixel caldi (quei puntini rossastri e verdastri). Di solito li eliminiamo sottraendo i dark ed eseguendo la Cosmetic Correction, ma dopo aver applicato il CRF Denoise di Adobe gli hot pixel sono spariti di netto; NXT, al contrario, ha eliminato solo il rumore lasciando gli hot pixel.

Perciò, per gli amici che fanno fotografia generale e non riprendono i dark, questo pregio del CRF Denoise viene pienamente alla luce.

In sintesi

La riduzione del rumore con IA ha fatto progressi rapidissimi in questi anni, e gli strumenti non sono uno solo: NXT è maturo e continua a iterare, DeepSNR è gratuito e comodo da usare, e CRF ha un suo ingegnoso impiego nello scenario senza dark. Anziché ostinarsi su quale sia «il più potente», conviene tenere a mente due principi: sfruttare bene le maschere e lasciare un po’ di spazio nella fase lineare per ciò che viene dopo. Nella riduzione del rumore non è vero che più è forte, meglio è: trovare quel punto ideale, ecco dove sta la bravura.