เครื่องมือลดสัญญาณรบกวนด้วย AI: NXT, DeepSNR และผองเพื่อน

ในช่วงไม่กี่ปีที่ผ่านมา เครื่องมือ AI เข้ามารับหน้าที่ลบดาวและลดสัญญาณรบกวนในภาพถ่ายดาราศาสตร์แทบทั้งหมด บทความนี้รวบรวมเครื่องมือลดสัญญาณรบกวนด้วย AI ยอดนิยมหลายตัว พร้อมทั้งข้อดีข้อเสียและพัฒนาการของแต่ละเวอร์ชันที่สังเกตได้จากการทดสอบจริง

ทำไม AI ลดสัญญาณรบกวนได้ทรงพลังขนาดนี้?

ลองดูตัวเลขชุดหนึ่งก่อน เพื่อให้เห็นภาพขนาดของโมเดลที่อยู่เบื้องหลังเครื่องมือเหล่านี้ (นับจากจำนวนพารามิเตอร์):

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

โมเดลเหล่านี้ล้วนมีคอนโวลูชัน (convolution) มัลติสเกล (multiscale) และเทรชโฮลด์ (threshold) เป็นแนวคิดหลัก ปัจจุบันการใช้งานหลักบนภาพถ่ายวัตถุในห้วงอวกาศลึกมีอยู่สองเรื่อง: ลบดาวและลดสัญญาณรบกวน

จุดสำคัญอยู่ตรงนี้ หากไม่อาศัยการเรียนรู้ของเครื่อง ไม่ปรับพารามิเตอร์ให้เหมาะสมที่สุดด้วยข้อมูลฝึกสำหรับภาพวัตถุท้องฟ้าแต่ละประเภท การใช้วิธีดั้งเดิมเพียงอย่างเดียวก็ยากมากที่จะได้ผลลัพธ์ที่ดีที่สุดสำหรับวัตถุท้องฟ้าทุกชนิด นี่คือคุณค่าที่แท้จริงของเครื่องมือ AI

การทำ Deconvolution ก็ใช้ AI ได้เช่นกัน: BlurXTerminator

ในปี ค.ศ. 2022 แม้แต่การทำ Deconvolution ก็ยกให้ AI ทำได้แล้ว Russell Croman (RC) ค้นพบการประยุกต์ใช้ AI อีกรูปแบบหนึ่งในการประมวลผลภาพ และพัฒนา BlurXTerminator ขึ้นมา

ตอนนั้นเลือกดาวน์โหลดมาทดลองใช้ 30 วัน แล้วนำภาพ M1 เนบิวลาปูที่ถ่ายไว้เมื่อสิบปีก่อนมาทดสอบ ภาพซ้ายคือไฟล์ต้นฉบับที่ทำแค่ DBE ภาพกลางคือผลลัพธ์ที่เคยทำด้วย Deconvolution ดั้งเดิมของ PixInsight ส่วนภาพขวาสุดคือผลลัพธ์ที่ BXT ทำเสร็จด้วยคลิกเดียว ผลออกมาดีจนเมื่อเทียบกันแล้ว การทำ Deconvolution เองด้วยมือดูเหมือนงานที่ไม่สำเร็จ ทั้งที่ใช้เวลาปรับพารามิเตอร์อย่างน้อย 20 นาที ในขณะที่ BXT ทำเสร็จภายในไม่ถึงหนึ่งนาที สรุปง่าย ๆ คือ อะไรที่ควรจ่ายก็จ่ายไป ประหยัดเวลาและได้ผลลัพธ์ที่ดี

เปรียบเทียบการประมวลผลภาพ M1 เนบิวลาปูสามแบบ: ทำแค่ DBE, Deconvolution ดั้งเดิมของ PI, BXT คลิกเดียวเสร็จ

(เนื้อหาแนะนำ BXT แบบละเอียดและข้อควรระวังมีบทความแยกต่างหาก ในที่นี้จึงไม่ขอลงรายละเอียด)

พาส่องเครื่องมือลดสัญญาณรบกวน

NoiseXTerminator (NXT)

NXT เป็นเครื่องมือลดสัญญาณรบกวนด้วย AI แบบเสียเงินที่ได้รับความนิยมมากที่สุดในปัจจุบัน และเป็นเครื่องมือที่บทความนี้นำมาใช้เป็นมาตรฐานเปรียบเทียบซ้ำหลายครั้ง พัฒนาการของ NXT ในแต่ละเวอร์ชันสะท้อนลักษณะ “การพัฒนาต่อเนื่องไม่หยุดนิ่ง” ของเครื่องมือ AI ได้เป็นอย่างดี

ปัญหาดาว (ยุค AI1): ช่วงแรกที่ใช้ NXT หากไม่ใส่มาสก์ จะทำให้แกนกลางของดาว RGB เสียหาย และจุดศูนย์กลางของดาว Luminance ก็เกิด Star Fade เล็กน้อยด้วย ปัญหานี้ตอนนั้นยังไม่มีทางแก้ Russell เคยพูดถึงว่าแพลตฟอร์ม Mac ก็มีอาการคล้ายกัน Windows เองก็เห็นได้ชัดว่าไม่รอดเช่นกัน ดังนั้นช่วงนั้นที่ใช้ NXT จึงต้องใช้คู่กับมาสก์ดาวไปตามระเบียบ

ตัวอย่างปัญหาดาวที่เกิดจาก NXT

อัปเดตเป็น AI2 (โปรแกรมเวอร์ชัน 1.1.4): หลังจากรายงานปัญหาให้ Russell ทราบ โมเดลใหม่ในเวอร์ชันนี้เหลือเพียงสีที่เปลี่ยนไปเล็กน้อยที่แกนกลางของดาว RGB ส่วน Star Fade ที่แกนกลางของดาว Luminance ก็หายไปแล้ว เพื่อน ๆ ที่ใช้ NXT อยู่ ตอนนั้นแนะนำให้อัปเดตโดยเร็วที่สุด

เปรียบเทียบสภาพดาวก่อนและหลังอัปเดต NXT 1.1.4 AI2

พัฒนาต่อไปสู่ AI3: AI3 เวอร์ชันใหม่ปรับปรุงการลดสัญญาณรบกวนความถี่สูงได้อย่างชัดเจน แต่ความถี่กลางและสัญญาณรบกวนสีดูเหมือนจะธรรมดา ผลกระทบต่อดาวสว่างในสถานะ Linear ยังคงมีอยู่ แต่ลดลงไปมากแล้ว สรุปสั้น ๆ คือ เพื่อน ๆ ที่ซื้อ NXT ไว้อย่าลืมอัปเกรด เพราะประสิทธิภาพโดยรวมของ AI3 ดีกว่า AI2 จริง ๆ

เปรียบเทียบผลลดสัญญาณรบกวนของ NXT AI3 กับ AI2

DeepSNR

เครื่องมือลดสัญญาณรบกวนด้วย AI สำหรับภาพถ่ายดาราศาสตร์รุ่นใหม่ ที่พัฒนาโดย Nikita Misiura ผู้สร้าง StarNet ปัจจุบันรองรับเฉพาะภาพสี และต้องรันภายใน PixInsight เท่านั้น คู่แข่งโดยตรงในตลาดคือ NXT

ลองเปรียบเทียบเล็ก ๆ ดู: เมื่อดูผลลัพธ์ในสถานะ Linear จากซ้ายไปขวาคือภาพต้นฉบับ ผลลัพธ์ของ NXT ผลลัพธ์ของ DeepSNR ตามลำดับ ดูเหมือน DeepSNR จะทำได้ค่อนข้างดีเยี่ยม อีกข้อได้เปรียบสำคัญคือ DeepSNR ยังฟรีอยู่ในตอนนี้

เปรียบเทียบผลลดสัญญาณรบกวนของ NXT กับ DeepSNR ในสถานะ Linear

มาถึงการทดสอบจริงในภายหลัง ทั้ง NXT และ DeepSNR ทำได้ดีทั้งคู่ เมื่อเปรียบเทียบผลลัพธ์ทั้งสองด้วย Blink ก็แทบมองไม่เห็นความแตกต่างที่ชัดเจนแล้ว เรื่องนี้นำไปสู่การตัดสินใจเชิงปฏิบัติข้อหนึ่งคือ ช่องความสว่างยังต้องเปิดความเข้มให้สูงขึ้นอีกไหม? คิดว่าไม่จำเป็น เพราะที่ระดับ SNR แบบนี้ ขั้น Linear ก็ถือว่าเป็นจุดที่ลงตัวพอดีอยู่แล้ว RGB อาจเพิ่มได้อีกนิดหน่อย แต่ส่วนตัวมักเก็บพื้นที่ไว้ให้ขั้น Non-linear

เปรียบเทียบผลลัพธ์ของ NXT กับ DeepSNR ด้วย Blink แยกไม่ค่อยออกแล้ว

ข้อได้เปรียบพิเศษของ Adobe CRF Denoise

ท้ายสุดขอเสริมสถานการณ์การถ่ายภาพทั่วไปอีกหนึ่งกรณี ขุดไฟล์ RAW ภาพท้องฟ้ายามค่ำคืนจาก DSLR (เปิดรับแสง 30 วินาที) ออกมาจากฮาร์ดดิสก์ ภาพต้นฉบับมี hot pixel อยู่มาก (จุดสีแดง ๆ เขียว ๆ พวกนั้น) โดยปกติมักกำจัดจุดเหล่านี้ด้วยการลบภาพ dark frame และใช้ Cosmetic Correction แต่หลังจากใช้ CRF Denoise ของ Adobe แล้ว hot pixel หายไปทันที ในทางกลับกัน NXT กำจัดได้เพียงสัญญาณรบกวน แต่ยังคงเหลือ hot pixel ไว้

ดังนั้น สำหรับเพื่อน ๆ ที่ถ่ายภาพทั่วไปและไม่ได้ถ่าย dark frame ข้อได้เปรียบข้อนี้ของ CRF Denoise จึงเด่นชัดขึ้นมา

ความแตกต่างในการจัดการ hot pixel ระหว่าง CRF Denoise กับ NXT บนไฟล์ RAW ภาพท้องฟ้ายามค่ำคืนจาก DSLR

สรุป

การลดสัญญาณรบกวนด้วย AI ก้าวหน้าอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา และเครื่องมือก็ไม่ได้มีแค่ตัวเดียว: NXT เติบโตเต็มที่และพัฒนาต่อเนื่อง DeepSNR ฟรีและใช้งานง่าย CRF มีลูกเล่นเฉพาะตัวในสถานการณ์ที่ไม่มี dark frame แทนที่จะยึดติดว่าตัวไหน “แรงที่สุด” น่าจะจำหลักการสองข้อไว้ดีกว่า คือ ใช้มาสก์ให้เป็นประโยชน์ และ เก็บพื้นที่ไว้ในขั้น Linear สำหรับขั้นตอนถัดไป การลดสัญญาณรบกวนไม่ใช่ว่ายิ่งแรงยิ่งดี การหาจุดที่ลงตัวพอดีนั้นต่างหากคือฝีมือที่แท้จริง