Ferramentas de IA

Remove gradientes de poluição luminosa, vinheta e brilho irregular do céu em imagens lineares. A rede neural prevê o próprio plano de fundo, em vez de ajustar um polinômio, de modo que acompanha a estrutura de uma forma que uma superfície ajustada não consegue. Estão disponíveis dois modelos: o da GraXpert e o da própria Polaris, treinados do zero e disponibilizados sob a licença AGPL.

• Dois modelos: o modelo GraXpert (licença não comercial) e o modelo Polaris (AGPL, treinado do zero com fotos astronômicas reais). Ambos são baixados sob demanda; escolha aquele que melhor se adequar às suas necessidades de licenciamento e hardware
• Compatível com NPU: O modelo Polaris também vem com uma versão int16, que é o que permite sua execução nas NPUs Rockchip e Hexagon; o modelo GraXpert é compatível apenas com fp32/fp16
• O contexto prevê que: o modelo gera a superfície do gradiente, que é então subtraída, de modo que a nebulosidade real não seja eliminada pelo gradiente
• Estruturas lineares de framing: execute-o antes do alongamento, em matrizes calibradas, para obter o resultado mais preciso
• Onde: Aba “Arquivos”, barra de ferramentas “Ferramentas de IA” e o Editor de imagens

Remove o ruído do sensor (ruído de disparo, ruído de leitura, ruído térmico) ao mesmo tempo em que preserva os detalhes astronômicos mais sutis. Estão disponíveis três modelos: GraXpert v2 e v3, e o modelo próprio da Polaris, treinado do zero e lançado sob a licença AGPL. O processamento é feito em blocos com mistura suavizada por coseno, de modo que nenhuma junção entre blocos apareça na imagem final.

• Três modelos: GraXpert v2 (mais leve, para hardware mais lento) e v3 (maior capacidade, melhor para detalhes pouco visíveis e pontas de estrelas), ambas para uso não comercial; além do modelo Polaris (AGPL)
• O único que é compatível com todas as NPUs: O modelo Polaris é compatível com as versões int16 e int8. O GraXpert v3 não funciona de forma alguma no Qualcomm Hexagon, pois utiliza LayerNorm, o que requer uma NPU V73 ou mais recente
• Revestido com azulejos com bordas em forma de penas: Imagens de qualquer tamanho são processadas em blocos sobrepostos, de modo que nenhum artefato de borda fica visível
• Colorido e preto e branco: São suportados tanto arquivos FITS RGB quanto de canal único; o pipeline lida com a configuração dos canais automaticamente
• Linear e alongado: funciona em ambas as etapas; os melhores resultados são obtidos em matrizes calibradas linearmente antes do alongamento
• Onde: Aba “Arquivos”, barra de ferramentas “Ferramentas de IA” e o Editor de imagens

Nitidez de fontes pontuais (estrelas) desfocadas pela atmosfera, erro de rastreamento ou difração óptica, utilizando uma rede neural GraXpert treinada especificamente para campos estelares. Produz estrelas bem definidas e redondas, sem os artefatos de halo comuns nas abordagens clássicas.

• Com foco nas estrelas: o modelo foi treinado para realçar fontes pontuais compactas; ele entende que as estrelas devem ser redondas e não produzir halos
• Complementa o modelo de Objetos: execute primeiro o “Stars” e, em seguida, o “Objects” para aumentar a nitidez tanto das fontes pontuais quanto das estruturas estendidas
• Mosaico 256x256: mistura com sobreposição gradual; seguro para masters em resolução total
• Controle deslizante “antes e depois”: O controle deslizante de comparação integrado na interface do usuário permite que você avalie o efeito antes de salvar
• Onde: Guia “Arquivos” e barra de ferramentas “Ferramentas de IA”, na seção “Nitidez de IA”

Aprimora a nitidez de objetos estendidos, como galáxias, nebulosas e aglomerados. O modelo GraXpert Objects é otimizado para estruturas espacialmente estendidas, em vez de fontes pontuais, recuperando detalhes finos nos braços das galáxias, faixas de poeira e regiões de emissão.

• Estrutura ampliada: treinado com imagens de galáxias e nebulosas para realçar detalhes estruturais finos sem aumentar excessivamente a nitidez em regiões de emissão uniformes
• Combine com estrelas: Para o processamento da imagem completa, execute o modelo “Objects” após o modelo “Stars”; cada um complementa o outro
• Mosaico 256x256: mistura com sobreposição gradual; sem junções de blocos na imagem final
• Controle de força: O controle deslizante de intensidade ajustável (0,1 a 1,0) permite ajustar o efeito
• Onde: Guia “Arquivos” e barra de ferramentas “Ferramentas de IA”, na seção “Nitidez de IA”

A rede de deconvolução desenvolvida pela própria Polaris, treinada do zero com pares sintéticos (nítidos e desfocados): toda imagem astronômica real já está desfocada devido ao seeing, portanto não há uma referência de referência nítida a partir da qual se possa aprender. A convolução de alvos nítidos com uma PSF conhecida gera pares perfeitos em quantidade ilimitada.

• Arquitetura que prioriza a quantização: projetado de forma que as exportações int8 e int16 não percam nada. BatchNorm em vez de LayerNorm, upsampling mais próximo seguido de conv em vez de ConvTranspose, e um único tensor de entrada
• Por que essas escolhas: eles são resultado do trabalho da NPU. O Hexagon V68 rejeita o LayerNorm de imediato (ele requer o V73 ou uma versão mais recente), o ConvTranspose produz artefatos em xadrez que sofrem quantização inadequada, e o design de múltiplas entradas do GraXpert foi o que permitiu que sua deconvolução fosse executada exclusivamente na CPU
• Funciona em qualquer lugar: Um modelo é portado de forma eficiente para o Hexagon (int8/int16), o Rockchip RKNN (fp16), a GPU Adreno, a CPU comum e o navegador por meio do ORT Web
• Versões: A versão 1.1 inclui as versões fp32, fp16, int16 e int8; a versão 1.2 adiciona uma compilação w8a16 otimizada para o Hexagon HTP
• Onde: Aba “Arquivos”, barra de ferramentas “Ferramentas de IA” e o Editor de imagens

Desconvolução de Richardson-Lucy baseada em uma PSF medida diretamente a partir das estrelas presentes no quadro. O algoritmo corrige o desfoque causado pela atmosfera, pelo rastreamento e pela óptica, utilizando a resposta óptica real do sistema de imagem, em vez de uma rede neural genérica.

• PSF medido: O perfil de Moffat ajustado às estrelas reais no framing extrai o FWHM, a excentricidade e a orientação; a PSF é específica para aquela sessão de captura
• Amortecimento White de 1994: as correções são limitadas por um modelo de ruído por pixel; as regiões com baixa relação sinal-ruído (SNR) não são alteradas, evitando a amplificação do ruído
• Modelo de ruído por transferência de fótons: O sigma é estimado a partir do próprio quadro, utilizando um modelo de ruído de disparo + ruído de leitura (sigma = sqrt(A*S + B)); não é necessária nenhuma informação de calibração
• Proteção contra estrelas: uma máscara em camadas ao redor das estrelas detectadas reconstrói os núcleos originais das estrelas após a deconvolução, evitando o efeito de “ringing” em fontes brilhantes
• FWHM e estatísticas das estrelas: A largura na metade da intensidade (FWHM) em pixels, a excentricidade e o número de estrelas utilizadas são informados após cada execução
• Onde: Guia “Arquivos” na opção “AI Sharpen”, “RL Clássico”

Amplia o RL clássico para lidar com curvatura de campo, coma e inclinação: a PSF é medida de forma independente em uma grade configurável de blocos ao longo do quadro. Cada bloco recebe sua própria PSF, e os resultados são combinados com suavização cosseno. Ideal para câmeras de campo amplo, nas quais a forma das estrelas muda do centro para os cantos.

• PSF por bloco: Os perfis de Moffat são ajustados em cada célula da grade de forma independente; um canto afetado pela coma utiliza um kernel diferente do centro
• Grade configurável: Blocos de 2x2 a 8x8; quanto mais blocos, mais precisa é a correção espacial, mas o tempo de medição aumenta
• Suavização com efeito de pluma: mistura cosseno entre regiões adjacentes da PSF; a transição é imperceptível na imagem final
• Solução alternativa: os blocos com poucas estrelas são atribuídos ao PSF medido mais próximo, de modo que o quadro inteiro é sempre processado
• Onde: Guia “Arquivos” na opção “AI Sharpen”, opção “Field RL”

Um novo modo em que o servidor mede o PSF e o modelo de ruído (normalmente de 5 a 15 segundos), retorna uma carga útil compacta em JSON, e o navegador executa o pesado ciclo de iteração de Richardson-Lucy inteiramente em JavaScript. A CPU do servidor SBC permanece livre para guiding, sequenciamento e captura durante o trabalho.

• O servidor cuida da parte técnica: A extração do PSF, o ajuste do modelo de ruído e a detecção de estrelas são executados no servidor; esses processos são rápidos e exigem pouco da CPU
• O navegador cuida de tudo: Um mecanismo de FFT totalmente em JavaScript (Cooley-Tukey de base 2) executa 512x512 iterações de RL com sobreposição e preservação de sobreposição em blocos no navegador
• Progresso em tempo real: uma barra de progresso é atualizada após cada iteração; é possível ver o aumento da nitidez da imagem em tempo real no controle deslizante “antes/depois”
• O mesmo algoritmo: RL 1994 branco idêntico, com amortecimento, proteção contra estrelas e supressão de ruído, assim como a versão do lado do servidor
• Ative essa opção: Na janela modal “AI Sharpen”, marque a caixa de seleção “Executar no navegador” (apenas no modo RL global; o modo de campo permanece no lado do servidor)

Remove estrelas ao preservar a nebulosidade, para fluxos de trabalho de processamento em banda estreita e sem estrelas. O Polaris oferece quatro redes diferentes de remoção de estrelas, em vez de apenas uma, e três delas são licenciadas pelo MIT, podendo, portanto, ser utilizadas comercialmente.

• nox colorido e nox cinza (MIT): Redes do tipo StarNet em versões separadas para cores e monocromáticas; escolha a que melhor se adapta aos seus dados. 208 MB cada, ou 104 MB em FP16
• starrem2k13 (MIT): uma versão mais leve da U-Net, com 119 MB (59 MB em FP16), a mais rápida das quatro e uma boa primeira opção para um SBC
• StarNet++ (Não comercial): a rede original, incluída para garantir a compatibilidade com os fluxos de trabalho existentes. Sua licença proíbe o uso comercial, razão pela qual existem as alternativas do MIT
• arm64 em todo o código: Todos os quatro rodam como ONNX nas placas Raspberry Pi, Orange Pi e Radxa. O StarNet v2 foi excluído propositalmente: trata-se de um binário exclusivo para x86
• Controle de retorno de mistura: Após a remoção, as estrelas originais podem ser mescladas novamente com qualquer nível de opacidade, para se obter uma imagem final com estrelas suavizadas, em vez de ausentes
• Onde: Guia “Arquivos” e barra de ferramentas “Ferramentas de IA”, opção “Remover estrelas”

A rede neural própria da Polaris, treinada do zero com fotos astronômicas reais, remove os anéis de halo de difração que aparecem ao redor de estrelas brilhantes em refratores e telescópios newtonianos de alta velocidade. Ao contrário das abordagens clássicas, o modelo compreende o contexto espacial de cada estrela e evita remover a nebulosidade genuína próxima a fontes brilhantes.

• Modelo nativo do Polaris: treinado em nosso próprio conjunto de dados de fotos astronômicas reais com adição de halos sintéticos; não se trata de uma reedição do GraXpert
• Sensível ao contexto: A entrada RGB de 3 canais fornece ao modelo contexto suficiente para distinguir halos de nebulosidades próximas e regiões de emissão
• Avaliado com PSNR superior a 50 dB: A variante fp16 é essencialmente sem perdas em comparação com a fp32; a int16 apresenta um desvio de até 0,03 dB
• Quatro esclarecimentos: fp32 (referência), fp16 (recomendado), int16 (NPU/PTQ), int8 com QAT para compressão máxima
• Onde: Barra de ferramentas “Ferramentas de IA” e seção “IA” do Editor, opção “Remoção de halo”
• Precisões: fp32, fp16 e int16; a versão int16 é a que roda nas NPUs

Aumento de resolução em 2x por meio do UpscaleNet, desenvolvido pela própria Polaris, uma arquitetura U-Net residual treinada com fotos astronômicas reais e projetada para quantização int8 compatível com NPU. Útil para preparar imagens para impressões em grande formato, telas com alta resolução (DPI) ou para recuperar mais detalhes no nível do pixel.

• Polaris UpscaleNet: U-Net residual personalizada; realiza internamente uma amostragem dupla antes do codificador, de modo que a rede processe todo o espaço de características em alta resolução
• Avaliado em 50,22 dB PSNR: O fp16 (50,22 dB) é indistinguível do fp32 (50,21 dB); o int16 apresenta uma diferença de até 0,03 dB
• int8 via QAT: O treinamento com consideração à quantização traz o int8 de volta a um nível quase sem perdas, depois que o PTQ mostrou uma degradação de 3,3 dB
• Escala 2x: a saída tem o dobro das dimensões da entrada em ambos os eixos; um quadro de 3000x2000 passa a ter 6000x4000
• Onde: Barra de ferramentas “Ferramentas de IA” e seção “IA” do Editor, opção “Aumentar a resolução”
• Precisões: fp32, fp16, int16 e uma versão em int8 gerada pelo treinamento com consideração à quantização; com 19 MB, é o menor modelo fornecido pelo Polaris