Die lange Erklärung habe ich mal mit deepl übersetzt.
Übersetzung
BlurXTerminator ist ein KI-basiertes Dekonvolutionstool, das speziell für astronomische Bilder entwickelt wurde, die mit einer Ausrüstung aufgenommen wurden, die üblicherweise von Amateur-Astrofotografen verwendet wird. Es ist nur als Prozessmodul-Plug-in für PixInsight erhältlich.
Nicht alle KI ist gleich. Es gibt zwar KI-basierte Schärfungswerkzeuge für die allgemeine Fotografie, aber wenn sie auf astronomische Bilder angewendet werden, neigen sie dazu, Details zu "erfinden", die nicht vorhanden sind. Auch mit Sternen kommen sie in der Regel nicht sehr gut zurecht. Ihre neuronalen Netze wurden nicht auf astronomischen Bildern trainiert, so dass sie oft falsche "Vermutungen" darüber anstellen, wie die ursprüngliche, unscharfe Szene aussieht.
Das Ziel von BlurXTerminator ist es, so viele Details wie möglich wiederherzustellen, und zwar auf der Grundlage von kontrastarmen Informationen, die tatsächlich in einem Bild vorhanden sind, ohne Details zu fabrizieren, die in Wirklichkeit nicht vorhanden sind, nur um ein schärferes Bild zu erhalten. Bei der Architektur und dem Training des neuronalen Netzes wurde große Sorgfalt darauf verwendet, dass seine Ausgabe bei richtiger Anwendung so realitätsgetreu wie möglich ist.
Jede Entfaltung, einschließlich der von Richardson, Lucy, van Cittert und anderen entwickelten klassischen Algorithmen, ist im Grunde genommen ein Ratespiel. Mathematisch gesehen ist die Entfaltung ein schlecht gestelltes Problem: Für ein gegebenes unscharfes Eingangsbild gibt es viele mögliche schärfere Bilder, die, wenn sie wieder unscharf gemacht werden, dasselbe Eingangsbild ergeben würden. Welches ist das richtige, oder zumindest eine bessere Vermutung?
Die klassischen Algorithmen verwenden die Kenntnis der Punktspreizungsfunktion (PSF) eines Bildes, um die Entfaltung zu steuern, was so lange funktioniert, wie die dem Algorithmus gelieferte PSF genau ist. Die Anwendung neuronaler Netze auf die Entfaltung bringt eine zusätzliche Informationsquelle zur Steuerung des Prozesses mit sich: das Wissen über die Strukturen und Muster, die typischerweise in realen, hochauflösenden astronomischen Bildern vorhanden sind. Das neuronale Netz von BlurXTerminator wurde mit extrem hochauflösenden Bildern trainiert, die von Instrumenten wie dem Hubble- und dem James-Webb-Weltraumteleskop aufgenommen wurden. Es "versteht", wie astronomische Strukturen in feineren Maßstäben tatsächlich aussehen, als sie mit Amateurgeräten aufgelöst werden können.
Die Schulungsmethode beinhaltet außerdem ein tiefes Verständnis der üblichen Punktverteilungsfunktionen, denen astronomische Bilder unterliegen, einschließlich der durch atmosphärische Turbulenzen, optische Streuung, Aufnahmeprobleme wie Führungsfehler und optische Verzerrungen wie Koma und chromatische Aberration verursachten Schwankungen. Es ist nicht notwendig, die PSF im Voraus zu extrahieren: BlurXTerminator verwendet die Sterne in einem Bild als PSF-Referenzen. Er analysiert und verarbeitet ein Bild in einem Schritt, wobei in den meisten Fällen keine Iteration erforderlich ist.
BlurXTerminator kann auf die stellaren und nichtstellaren Merkmale eines Bildes unterschiedliche Entfaltungsgrade anwenden. Der Versuch, mit den klassischen Algorithmen alle verfügbaren Details in nichtstellaren, ausgedehnten Objekten wiederherzustellen, führt in der Regel zu dunklen Halos (Ringen) um die Sterne. Mit BlurXTerminator können die nichtstellaren Teile eines Bildes stärker geschärft werden, wodurch mehr Details hervorgehoben werden, ohne dass in den meisten Fällen Ringing-Artefakte entstehen.
BlurXTerminator kann zusätzlich andere Aberrationen in einem Bild in begrenztem Umfang korrigieren. Zu den Abbildungsfehlern, die derzeit von den meisten Instrumenten erfasst werden, gehören:
- Nachführfehler
- Astigmatismus
- Primäre und sekundäre Koma
- Chromatische Aberration (Farbsäume)
- Schwankender Sterndurchmesser (FWHM) und Halos in jedem Farbkanal
Obwohl es technisch einfach wäre, BlurXTerminator auf Photoshop und Affinity Photo zu portieren, erfordert eine optimale Entfaltung lineare Bilddaten mit minimaler Verarbeitung. Daher gibt es derzeit keine Pläne, dies zu tun.
