Công cụ khử nhiễu AI: NXT, DeepSNR và những người bạn của chúng

Vài năm gần đây, công việc tách sao và khử nhiễu trong ảnh thiên văn gần như đã được các công cụ AI tiếp quản hoàn toàn. Bài này điểm lại vài công cụ khử nhiễu AI phổ biến, cùng những ưu điểm, nhược điểm và quá trình tiến hóa qua từng phiên bản mà tôi quan sát được trong các lần thử nghiệm thực tế.

Vì sao khử nhiễu AI lại mạnh đến vậy?

Trước hết, thử nhìn một loạt con số để cảm nhận quy mô của các mô hình đứng sau những công cụ này (tính theo số lượng tham số):

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

Tất cả các mô hình này đều lấy tích chập (convolution), đa tỷ lệ (multiscale) và ngưỡng (threshold) làm khái niệm cốt lõi. Hiện tại, công dụng chính của chúng trên ảnh bầu trời sâu chỉ gói gọn trong hai việc: tách sao và khử nhiễu.

Mấu chốt nằm ở chỗ — nếu không nhờ đến học máy, không tối ưu tham số dựa trên dữ liệu huấn luyện dành riêng cho từng loại ảnh thiên thể, thì chỉ với các phương pháp truyền thống, thực sự rất khó đạt được kết quả tốt nhất cho mọi loại thiên thể. Giá trị của các công cụ AI nằm chính ở đó.

Deconvolution cũng có thể nhờ đến AI: BlurXTerminator

Năm 2022, đến cả deconvolution cũng có thể giao cho AI. Russell Croman (RC) đã tìm ra thêm một ứng dụng nữa của AI trong xử lý ảnh và hiện thực hóa nó thành BlurXTerminator.

Khi đó tôi chọn tải bản dùng thử 30 ngày, rồi lấy một tấm M1 — tinh vân Con Cua chụp từ mười năm trước ra làm thử: ảnh bên trái là tệp gốc mới chỉ qua DBE, ở giữa là kết quả trước đây tôi làm bằng deconvolution gốc của PixInsight, còn ngoài cùng bên phải là kết quả BXT hoàn thành chỉ với một cú nhấp. Hiệu quả tốt đến mức đem ra so sánh thì bản deconvolution tôi tự tay làm trông cứ như loại chưa thành công — mà tôi còn mất ít nhất 20 phút dò tham số, trong khi BXT xong trong chưa đầy một phút. Kết luận rất đơn giản: cái gì đáng bỏ tiền thì cứ bỏ tiền, vừa tiết kiệm thời gian vừa cho kết quả đẹp.

So sánh ba cách xử lý M1 tinh vân Con Cua: chỉ DBE, deconvolution gốc của PI, BXT một cú nhấp

(Về phần nhập môn đầy đủ cho BXT cùng những điểm cần lưu ý thì đã có một bài riêng, ở đây tôi không mở rộng thêm.)

Dạo một vòng các công cụ khử nhiễu

NoiseXTerminator (NXT)

NXT hiện là công cụ khử nhiễu AI trả phí phổ biến nhất, cũng là đối tượng mà bài này nhiều lần lấy làm chuẩn so sánh. Chặng đường tiến hóa qua từng phiên bản của nó minh họa rất đúng đặc tính “liên tục lặp lại và cải tiến” của các công cụ AI.

Vấn đề sao (thời kỳ AI1): Thời kỳ đầu dùng NXT, nếu không thêm mặt nạ thì lõi sao RGB sẽ bị tổn hại, tâm sao trong kênh luminance cũng xuất hiện Star Fade nhẹ. Vấn đề này khi đó không có cách giải quyết; Russell có nhắc rằng nền tảng Mac cũng gặp tình trạng tương tự, và Windows hiển nhiên cũng không thoát được. Vậy nên giai đoạn đó mà dùng NXT thì cứ ngoan ngoãn kết hợp với mặt nạ sao.

Minh họa vấn đề sao do NXT gây ra

Cập nhật lên AI2 (chương trình 1.1.4): Sau khi tôi báo vấn đề cho Russell, mô hình mới trong bản cập nhật này chỉ còn để lại chút biến màu nhẹ ở lõi sao RGB, còn Star Fade ở lõi sao luminance thì đã biến mất. Khi đó tôi đã khuyên những ai đang dùng NXT nên cập nhật càng sớm càng tốt.

So sánh tình trạng sao trước và sau bản cập nhật NXT 1.1.4 AI2

Tiến hóa tiếp lên AI3: Bản AI3 mới quả thực có cải thiện ở phần khử nhiễu tần số cao, nhưng với tần số trung và nhiễu màu thì trông chỉ ở mức bình thường; ảnh hưởng lên các sao sáng ở trạng thái tuyến tính vẫn còn, tuy đã nhẹ đi rất nhiều. Tóm lại — ai đã mua NXT thì nhớ nâng cấp, tổng thể AI3 đúng là nhỉnh hơn AI2.

So sánh hiệu quả khử nhiễu của NXT AI3 và AI2

DeepSNR

Công cụ khử nhiễu AI thế hệ mới cho ảnh thiên văn, do Nikita Misiura — tác giả của StarNet — phát triển. Hiện nó chỉ hỗ trợ ảnh màu và bắt buộc phải chạy trong PixInsight; đối thủ cạnh tranh trực tiếp trên thị trường chính là NXT.

Tôi đã làm một phép so sánh nhỏ: nhìn vào kết quả ở trạng thái tuyến tính, từ trái sang phải lần lượt là ảnh gốc, kết quả của NXT và kết quả của DeepSNR. Xem ra DeepSNR thể hiện khá xuất sắc. Một lợi thế rất lớn nữa là — hiện tại DeepSNR miễn phí.

So sánh kết quả khử nhiễu của NXT và DeepSNR ở trạng thái tuyến tính

Đến các lần thử nghiệm về sau thì thật ra cả NXT lẫn DeepSNR đều làm rất tốt, đem hai kết quả ra so bằng Blink đã khó thấy được khác biệt cụ thể. Điều này cũng dẫn tới một phán đoán thực tế: kênh luminance có cần mở cường độ cao hơn nữa không? Tôi cho là không cần — với SNR như thế này, giai đoạn tuyến tính coi như đã ở đúng sweet spot. RGB thì có thể mạnh tay thêm chút nữa, nhưng tôi thiên về việc chừa lại chút dư địa cho giai đoạn phi tuyến.

Kết quả của NXT và DeepSNR đem so bằng Blink đã khó phân cao thấp

Một lợi thế đặc biệt của Adobe CRF Denoise

Cuối cùng, tôi bổ sung một tình huống của nhiếp ảnh thông thường. Tôi đào từ ổ cứng ra một tệp gốc chụp bầu trời sao bằng DSLR (phơi sáng 30 giây); ảnh gốc có rất nhiều điểm ảnh nóng (hot pixel), tức mấy chấm đỏ đỏ xanh xanh ấy. Thông thường chúng ta trừ frame dark và chạy Cosmetic Correction để xóa chúng, nhưng sau khi áp CRF Denoise của Adobe thì hot pixel bị dọn sạch luôn; ngược lại, NXT chỉ xóa nhiễu mà vẫn để lại hot pixel.

Vì vậy, với những ai chụp ảnh thông thường và không chụp frame dark, ưu điểm này của CRF Denoise hiện ra rất rõ.

Khác biệt giữa CRF Denoise và NXT trong việc xử lý hot pixel trên một tệp gốc chụp bầu trời sao bằng DSLR

Kết lại

Khử nhiễu AI mấy năm nay tiến bộ rất nhanh, và công cụ cũng không chỉ có một: NXT đã chín muồi và liên tục cải tiến, DeepSNR vừa miễn phí vừa dễ dùng, CRF lại có cái khéo riêng trong tình huống không có frame dark. Thay vì cố chấp xem cái nào “mạnh nhất”, tốt hơn là nhớ lấy hai nguyên tắc — dùng mặt nạ cho khéo, và chừa lại chút dư địa ở giai đoạn tuyến tính cho những bước phía sau. Khử nhiễu không phải càng nặng tay càng tốt; tìm ra được sweet spot đó mới là tay nghề.