Herramientas de IA

Elimina los gradientes de contaminación lumínica, el viñeteado y el resplandor irregular del cielo en las imágenes lineales. La red neuronal predice el plano de fondo por sí misma, en lugar de ajustar un polinomio, por lo que sigue una estructura que una superficie ajustada no puede reproducir. Hay dos modelos disponibles: el de GraXpert y el propio de Polaris, entrenados desde cero y publicados bajo la licencia AGPL.

• Dos modelos: el modelo GraXpert (licencia no comercial) y el modelo Polaris (AGPL, entrenado desde cero con astrofotografías reales). Ambos se descargan bajo demanda; elige el que mejor se adapte a tu licencia y a tu hardware.
• Compatible con NPU: El modelo Polaris también incluye una versión int16, que es la que permite su ejecución en las NPU Rockchip y Hexagon; el modelo GraXpert solo es compatible con fp32/fp16.
• Así lo prevé el contexto: El modelo genera la superficie de gradiente, que luego se resta, de modo que la nebulosidad real no se aplana al aplicar el gradiente.
• Marcos lineales: ejecútalo antes de estirar, con plantillas calibradas, para obtener un resultado óptimo
• Dónde: Pestaña «Archivos», barra de herramientas «Herramientas de IA» y el editor de imágenes

Elimina el ruido del sensor (ruido de disparo, ruido de lectura y ruido térmico) al tiempo que conserva los detalles astronómicos más sutiles. Hay tres modelos disponibles: GraXpert v2 y v3, y el propio modelo de Polaris, entrenado desde cero y publicado bajo la licencia AGPL. El procesamiento se realiza por mosaicos con fusión suavizada mediante coseno, de modo que no aparecen juntas entre mosaicos en el resultado final.

• Tres modelos: GraXpert v2 (más ligero, para equipos menos potentes) y v3 (mayor capacidad, mejor para detalles tenues y picos estelares), ambos de uso no comercial; además del modelo Polaris (AGPL)
• El único que se adapta a todas las NPU: El modelo Polaris incluye versiones para int16 e int8. GraXpert v3 no puede ejecutarse en absoluto en el Qualcomm Hexagon, ya que utiliza LayerNorm y esto requiere una NPU V73 o posterior.
• Con azulejos con bordes difuminados: Las imágenes, independientemente de su tamaño, se procesan en fragmentos superpuestos, por lo que no se aprecia ningún artefacto en los bordes.
• En color y en blanco y negro: Se admiten tanto archivos FITS RGB como de un solo canal; el proceso de procesamiento gestiona automáticamente la disposición de los canales
• Lineales y alargados: Funciona en ambas fases; se obtienen mejores resultados en matrices calibradas linealmente antes del estiramiento.
• Dónde: Pestaña «Archivos», barra de herramientas «Herramientas de IA» y el editor de imágenes

Afilando las fuentes puntuales (estrellas) difuminadas por la atmósfera, el error de seguimiento o la difracción óptica mediante una red neuronal GraXpert entrenada específicamente en campos estelares. Produce estrellas bien definidas y redondas sin los artefactos de «ringing» habituales en los métodos clásicos.

• Centrado en las estrellas: El modelo está entrenado para enfocar fuentes puntuales compactas; entiende que las estrellas deben ser redondas y no producir halos.
• Complementa el modelo de objetos: Ejecuta primero «Stars» y, a continuación, «Objects» para aumentar la nitidez tanto de las fuentes puntuales como de las estructuras extendidas
• En mosaico, 256x256: fundido con solapamiento difuminado; apto para masters a resolución completa
• Control deslizante «antes/después»: El control deslizante de comparación integrado en la interfaz de usuario te permite evaluar el resultado antes de guardar.
• Dónde: Pestaña «Archivos» y barra de herramientas «Herramientas de IA», en la sección «Enfocar con IA»

Acentúa los objetos extensos, como galaxias, nebulosas y cúmulos. El modelo GraXpert Objects está optimizado para estructuras espacialmente extensas, en lugar de fuentes puntuales, y permite recuperar los detalles más sutiles de los brazos de las galaxias, las franjas de polvo y las regiones de emisión.

• Estructura ampliada: Entrenado con imágenes de galaxias y nebulosas para realzar los detalles estructurales finos sin aumentar excesivamente la nitidez en las regiones de emisión uniformes
• Maridaje con Stars: Para un procesamiento completo de la imagen, ejecuta el modelo «Objects» después del modelo «Stars»; ambos se complementan entre sí.
• En mosaico, 256x256: fundido con solapamiento difuminado; sin juntas entre mosaicos en el resultado final
• Control de la fuerza: El control deslizante de intensidad ajustable (de 0,1 a 1,0) te permite ajustar el efecto
• Dónde: Pestaña «Archivos» y barra de herramientas «Herramientas de IA», en la sección «Enfocar con IA»

La red de deconvolución propia de Polaris, entrenada desde cero con pares sintéticos (nítidos y borrosos): todas las imágenes astronómicas reales ya están borrosas debido al «seeing», por lo que no existe una referencia clara a partir de la cual aprender. La convolución de objetivos nítidos con una PSF conocida proporciona pares perfectos en cantidad ilimitada.

• Arquitectura «quantization-first»: diseñado para que las exportaciones int8 e int16 no pierdan nada. Se utiliza BatchNorm en lugar de LayerNorm, un muestreo ascendente más una convolución en lugar de ConvTranspose, y un único tensor de entrada
• ¿Por qué esas opciones?: provienen del trabajo de la NPU. El Hexagon V68 rechaza directamente LayerNorm (necesita V73 o una versión posterior), ConvTranspose produce artefactos en forma de tablero de ajedrez que se cuantifican mal, y el diseño de múltiples entradas de GraXpert es lo que hizo que su deconvolución se realizara únicamente en la CPU.
• Funciona en todas partes: Un modelo se adapta perfectamente a Hexagon (int8/int16), Rockchip RKNN (fp16), la GPU Adreno, la CPU sin aceleración y el navegador a través de ORT Web.
• Versiones: La versión 1.1 incluye fp32, fp16, int16 e int8; la versión 1.2 añade una compilación w8a16 optimizada para el Hexagon HTP
• Dónde: Pestaña «Archivos», barra de herramientas «Herramientas de IA» y el editor de imágenes

Deconvolución de Richardson-Lucy basada en una función de distribución de intensidad puntual (PSF) medida directamente a partir de las estrellas presentes en el fotograma. El algoritmo corrige el desenfoque provocado por la atmósfera, el seguimiento y la óptica utilizando la respuesta óptica real del sistema de imagen, en lugar de una red neuronal genérica.

• PSF medido: El perfil de Moffat, ajustado a las estrellas reales presentes en el encuadre, extrae el FWHM, la excentricidad y la orientación; la PSF es específica de esa sesión de captura.
• Amortiguación White de 1994: Las correcciones se regulan mediante un modelo de ruido por píxel; las regiones con baja relación señal-ruido no se modifican, lo que evita la amplificación del ruido.
• Modelo de ruido por transferencia de fotones: El valor de sigma se calcula a partir de la propia imagen utilizando un modelo de ruido de disparo + ruido de lectura (sigma = √(A*S + B)); no se necesita ningún dato de calibración.
• Protección de las estrellas: una máscara difusa alrededor de las estrellas detectadas, que recompone los núcleos estelares originales tras la deconvolución, evitando el efecto de «ringing» en las fuentes brillantes
• FWHM y estadísticas de las estrellas: Tras cada ejecución se indican el FWHM en píxeles, la excentricidad y el número de estrellas utilizadas.
• Dónde: Pestaña «ARCHIVOS» en «AI Sharpen», opción «RL clásico»

Amplía el RL clásico para tener en cuenta la curvatura de campo, la coma y la inclinación: la PSF se mide de forma independiente en una cuadrícula configurable de mosaicos que abarca todo el encuadre. Cada mosaico obtiene su propia PSF, y los resultados se fusionan mediante un difuminado coseno. Ideal para cámaras de campo amplio en las que la forma de las estrellas varía del centro hacia las esquinas.

• PSF por azulejo: Los perfiles de Moffat se ajustan en cada celda de la cuadrícula de forma independiente; una esquina afectada por el coma utiliza un núcleo diferente al del centro
• Cuadrícula configurable: De 2x2 a 8x8 mosaicos; cuantos más mosaicos, más precisa es la corrección espacial, aunque a costa de un mayor tiempo de medición
• Difuminado con pluma: mezcla coseno entre regiones adyacentes de la PSF; la transición es imperceptible en la imagen final
• Solución alternativa: Las casillas con muy pocas estrellas se asignan al PSF medido más cercano, por lo que siempre se procesa todo el fotograma.
• Dónde: Pestaña «ARCHIVOS» en «AI Sharpen», opción «Field RL»

Un nuevo modo en el que el servidor mide la PSF y el modelo de ruido (normalmente entre 5 y 15 segundos), devuelve una carga útil JSON compacta y el navegador ejecuta el complejo bucle de iteraciones de Richardson-Lucy íntegramente en JavaScript. La CPU del servidor SBC queda libre para las tareas de guiado, secuenciación y captura durante el proceso.

• El servidor se encarga de la parte científica: La extracción de PSF, el ajuste del modelo de ruido y la detección de estrellas se realizan en el servidor; son procesos rápidos y que consumen pocos recursos de la CPU.
• El navegador se encarga de todo: Un motor FFT escrito íntegramente en JavaScript (Cooley-Tukey de base 2) ejecuta en el navegador 512x512 iteraciones de RL con solapamiento reducido y mosaicos.
• Progreso en tiempo real: Una barra de progreso se actualiza tras cada iteración; puedes ver cómo se mejora la nitidez de la imagen en tiempo real en el control deslizante «antes/después».
• El mismo algoritmo: RL amortiguado blanco de 1994, protección «star» y puerta de ruido idénticos a los de la versión para servidor
• Actívalo: En la ventana modal «AI Sharpen», marca la casilla «Ejecutar en el navegador» (solo en el modo RL global; el modo de campo sigue ejecutándose en el servidor).

Elimina las estrellas conservando la nebulosidad, para flujos de trabajo de procesamiento en banda estrecha y sin estrellas. Polaris ofrece cuatro redes diferentes de eliminación de estrellas en lugar de una sola, y tres de ellas cuentan con licencia del MIT, por lo que pueden utilizarse con fines comerciales.

• nox color y nox gris (MIT): Redes similares a StarNet en versiones separadas en color y monocromáticas; elige la que mejor se adapte a tus datos. 208 MB cada una, o 104 MB en FP16.
• starrem2k13 (MIT): una red U-Net más ligera, de 119 MB (59 MB en FP16), la más rápida de las cuatro y una buena primera opción para un SBC
• StarNet++ (sin fines comerciales): la red original, incluida para garantizar la compatibilidad con los flujos de trabajo existentes. Su licencia prohíbe el uso comercial, razón por la cual existen las alternativas del MIT
• arm64 en todo el código: Los cuatro se ejecutan como ONNX en las placas Raspberry Pi, Orange Pi y Radxa. StarNet v2 se ha excluido a propósito: es un binario exclusivo para x86.
• Control de retroalimentación: Una vez eliminadas, las estrellas originales se pueden volver a integrar con cualquier nivel de opacidad, para obtener una imagen final en la que las estrellas aparezcan difuminadas, en lugar de desaparecer por completo.
• Dónde: Pestaña «Archivos» y barra de herramientas «Herramientas de IA», opción «Eliminar estrellas»

La red neuronal propia de Polaris, entrenada desde cero con fotografías astronómicas reales, elimina los anillos de halo de difracción que aparecen alrededor de las estrellas brillantes en los refractores y los telescopios newtonianos de alta velocidad. A diferencia de los enfoques clásicos, el modelo comprende el contexto espacial de cada estrella y evita eliminar la nebulosidad auténtica cercana a las fuentes brillantes.

• Modelo nativo de Polaris: Entrenado con nuestro propio conjunto de datos de astrofotografías reales con halos sintéticos añadidos; no se trata de una versión reempaquetada de GraXpert.
• Adaptado al contexto: La entrada RGB de 3 canales proporciona al modelo suficiente contexto para distinguir los halos de la nebulosidad cercana y las regiones de emisión.
• Evaluado a más de 50 dB de PSNR: La variante fp16 es prácticamente sin pérdidas en comparación con fp32; int16 tiene una diferencia de menos de 0,03 dB.
• Cuatro precisiones: fp32 (referencia), fp16 (recomendado), int16 (NPU/PTQ), int8 con QAT para una compresión máxima
• Dónde: Barra de herramientas «Herramientas de IA» y sección «IA» del editor, opción «Eliminación de halo»
• Precisiones: fp32, fp16 e int16; la versión int16 es la que se ejecuta en las NPU

Ampliación con superresolución al doble utilizando UpscaleNet, una arquitectura U-Net residual propia de Polaris, entrenada con fotografías astronómicas reales y diseñada para la cuantificación int8 compatible con NPU. Resulta útil para preparar imágenes para impresiones de gran formato, pantallas de alta resolución (DPI) o para recuperar más detalles a nivel de píxel.

• Polaris UpscaleNet: U-Net residual personalizada; realiza un remuestreo al doble de resolución internamente antes del codificador, de modo que la red procesa el espacio de características completo en alta resolución
• Evaluado a 50,22 dB PSNR: fp16 (50,22 dB) es indistinguible de fp32 (50,21 dB); int16 presenta una diferencia de menos de 0,03 dB
• int8 a través de QAT: El entrenamiento con consideración de la cuantificación devuelve a int8 a un nivel casi sin pérdidas, después de que el PTQ mostrara una degradación de 3,3 dB.
• Escala 2x: el resultado tiene el doble de las dimensiones de entrada en ambos ejes; un fotograma de 3000 x 2000 pasa a ser de 6000 x 4000
• Dónde: Barra de herramientas «Herramientas de IA» y sección «IA» del Editor, opción «Aumentar la resolución»
• Precisiones: fp32, fp16, int16 y una versión int8 generada mediante «Quantization-Aware Training»; con 19 MB, es el modelo más pequeño que ofrece Polaris.