Yapay zekâ gürültü azaltma araçları: NXT, DeepSNR ve arkadaşları
Son birkaç yılda, astronomi görüntülerinde yıldız çıkarma ve gürültü azaltma işleri neredeyse tümüyle yapay zekâ araçlarının eline geçti. Bu yazıda yaygın kullanılan birkaç yapay zekâ gürültü azaltma aracını, ayrıca kendi testlerimde gözlemlediğim artıları, eksileri ve sürümden sürüme evrimi derliyorum.
Yapay zekâ gürültü azaltma neden bu kadar güçlü?
Önce bir dizi sayıya bakın, bu araçların arkasındaki modellerin ölçeğini (parametre sayısıyla ölçülmüş hâliyle) bir hissedin:
- StarXTerminator: 21 milyon
- StarNet++: 54 milyon
- StarNet V2: 30 milyon
- NoiseXTerminator: 24 milyon
- Topaz Denoise AI: 14 milyon
Bu modellerin hepsinin çekirdeğinde evrişim (convolution), çoklu ölçek (multiscale) ve eşik (threshold) kavramları yatar. Derin gökyüzü görüntülerinde şu anki başlıca kullanımları iki şeyden ibaret: yıldız çıkarma ve gürültü azaltma.
İşin püf noktası şurada — makine öğrenmesinden yararlanmadan, çeşitli gök cismi görüntü türlerine yönelik eğitim verileriyle parametreleri optimize etmeden, yalnızca geleneksel yöntemlerle her tür gök cismi için en iyi sonucu elde etmek aslında son derece zordur. Yapay zekâ araçlarının değeri de tam burada yatıyor.
Dekonvolüsyon da yapay zekâya yaslanabiliyor: BlurXTerminator
2022’de dekonvolüsyon (Deconvolution) bile yapay zekâya devredilebilir hâle geldi. Russell Croman (RC), yapay zekânın görüntü işlemedeki bir başka uygulamasını daha keşfetti ve BlurXTerminator’ı hayata geçirdi.
O sırada 30 günlük deneme sürümünü indirmeyi seçtim ve on yıl önce çektiğim bir M1 Yengeç Bulutsusu karesi üzerinde denedim: soldaki görüntü yalnızca DBE uygulanmış ham dosya, ortadaki daha önce PixInsight’ın kendi dekonvolüsyonuyla elde ettiğim sonuç, en sağdaki ise BXT ile tek tıkta ulaşılan sonuç. Sonuç o kadar iyiydi ki, karşılaştırınca kendi elimle yaptığım dekonvolüsyon sanki hiç tutmamış olanlardan biri gibi görünüyordu — üstelik ben parametreleri kurcalamaya en az 20 dakika harcamıştım, BXT ise bir dakikadan kısa sürede işi bitirdi. Sonuç çok basit: parası verilmeye değen şeye para verilir; hem zaman kazandırıyor hem de sonucu güzel oluyor.
(BXT için eksiksiz bir giriş ve dikkat edilecek noktalar ayrı bir yazıda ele alındı, burada uzatmıyorum.)
Gürültü azaltma araçları arasında bir tur
NoiseXTerminator (NXT)
NXT şu anda yaygın kullanılan ücretli yapay zekâ gürültü azaltma aracı ve bu yazıda defalarca karşılaştırma ölçütü olarak başvurduğum araç. Sürümden sürüme geçirdiği evrim, yapay zekâ araçlarının “sürekli yinelenme” özelliğini tam da anlatıyor.
Yıldız sorunu (AI1 dönemi): NXT’yi kullandığım ilk dönemde, maske eklenmezse RGB yıldızlarının çekirdekleri zarar görüyor, parlaklık (lüminans) yıldızlarının merkezinde de hafif bir Star Fade beliriyordu. O sıralar bu sorunun çaresi yoktu; Russell, Mac platformunda da benzer bir durumun olduğunu belirtmişti, Windows’un da kurtulamadığı besbelliydi. Dolayısıyla o aşamada NXT kullanmak, uslu uslu yıldız maskesiyle birlikte kullanmak demekti.
AI2’ye güncelleme (program 1.1.4): Sorunu Russell’a bildirdikten sonra, bu güncellemeyle gelen yeni modelde RGB yıldız çekirdeklerinde yalnızca hafif bir renk kayması kaldı, parlaklık yıldızlarının çekirdeğindeki Star Fade ise ortadan kalktı. NXT kullanan arkadaşlara o sırada bir an önce güncellemelerini önerdim.
Bir kez daha AI3’e evrim: Yeni sürüm AI3, yüksek frekanstaki gürültü azaltmada gerçekten iyileşme getiriyor, ama orta frekans ve renk gürültüsü tarafı sıradan görünüyor; doğrusal durumda parlak yıldızlar üzerindeki etkisi hâlâ duruyor, gerçi epeyce hafiflemiş. Kısacası — NXT almış olan arkadaşlar yükseltmeyi unutmasın; AI3’ün genel performansı gerçekten AI2’den üstün.
DeepSNR
StarNet’in yazarı Nikita Misiura tarafından geliştirilen, astronomi görüntüleri için yeni nesil bir yapay zekâ gürültü azaltma aracı. Şu anda yalnızca renkli görüntüleri destekliyor ve mutlaka PixInsight içinde çalıştırılması gerekiyor; piyasadaki doğrudan rakibi de NXT.
Küçük bir karşılaştırma yaptım: doğrusal durumdaki sonuçlara bakınca soldan sağa sırasıyla orijinal görüntü, NXT sonucu ve DeepSNR sonucu geliyor. Görünüşe göre DeepSNR oldukça başarılı bir iş çıkarıyor. Bir başka büyük avantajı da şu — DeepSNR şu anda ücretsiz.
Sonraki testlerde NXT de DeepSNR de aslında çok iyi iş çıkardı; iki sonucu Blink’te karşılaştırınca somut bir fark artık pek seçilemiyordu. Buradan pratik bir karar da doğuyor: lüminans kanalında şiddeti daha da yükseltmek gerekir mi? Bence gerekmez — böyle bir sinyal-gürültü oranında (SNR) doğrusal aşama aşağı yukarı tam bir tatlı nokta (sweet spot). RGB’de biraz daha ileri gidilebilir, ama ben doğrusal olmayan aşamaya biraz yer bırakmayı tercih ediyorum.
Adobe CRF Denoise ile gelen özel bir avantaj
Son olarak genel fotoğrafçılıktan bir senaryo ekleyeyim. Sabit diskten bir DSLR yıldızlı gökyüzü ham dosyası (30 saniye pozlama) çıkardım; orijinal görüntüde bir sürü sıcak piksel (o kırmızılı yeşilli noktacıklar) vardı. Bunları genellikle dark kareleri çıkararak ve Cosmetic Correction uygulayarak yok ederiz, ama Adobe’nin CRF Denoise işlemini uyguladıktan sonra sıcak pikseller doğrudan silindi; buna karşılık NXT yalnızca gürültüyü giderdi, sıcak pikselleri ise yerinde bıraktı.
Dolayısıyla genel fotoğrafçılık yapan ve dark karesi çekmeyen arkadaşlar için CRF Denoise tarafındaki bu üstünlük iyice ortaya çıkıyor.
Özet
Yapay zekâ gürültü azaltma son birkaç yılda hızla ilerledi ve araç da tek değil: NXT olgun ve yinelenmeyi sürdürüyor, DeepSNR hem ücretsiz hem kullanışlı, CRF ise dark karesi olmayan senaryoda kendine özgü bir hüner gösteriyor. Hangisinin “en güçlü” olduğuna takılmaktansa iki ilkeyi aklınızda tutmanız daha iyi — maskeleri iyi kullanın ve doğrusal aşamada sonrasına biraz yer bırakın. Gürültü azaltmada ne kadar ağır o kadar iyi diye bir şey yok; asıl marifet o tatlı noktayı bulmakta.