DenoiseNet

  • Ersteller des Themas Ersteller des Themas Ehemaliges Mitglied
  • Erstellungsdatum Erstellungsdatum
Status
Es sind keine weiteren Antworten möglich.

Ehemaliges Mitglied

Gibt es zum aufsetzen von DenoiseNet bereits so etwas wie eine Kurzanleitung (Windows Rechner)?

Ich bin jetzt nicht so der Python Programmierer, und die Infos auf github sind daher teilweise etwas kryptisch für mich. Bzw ist die einzige Doku die ich finden kann der Bericht der drei Programmierer mit dem Titel „Deep Convolutional Denoising of Low-Light Images“, der nur die theoretischen Hintergründe betrachtet wie die Software arbeitet.

Die Beispielfotos machen aber einen sehr vielversprechenden Eindruck ;)

Gruß

Simon
 
Hallo Simon,

Du meinst das hier?
github.com

GitHub - isVoid/DenoiseNet: An implementation of DenoiseNet https://arxiv.org/pdf/1701.01687.pdf

An implementation of DenoiseNet https://arxiv.org/pdf/1701.01687.pdf - GitHub - isVoid/DenoiseNet: An implementation of DenoiseNet https://arxiv.org/pdf/1701.01687.pdf
github.com github.com

Auschecken und dann den Anweisungen auf Github folgen. Allerdings ist die Software knapp 5 Jahre alt. Wenn man so schaut, was sich im Bereich Deep Learning in den letzten Jahren so getan hat, gibt es da bestimmt schon bessere Sachen. Ich kann dir da aber gerade nichts empfehlen.

CS, Daniel
 
Hallo Simon,

Denoise net, falls es das ist, das ich kenne, entrauscht sehr gut Sterne, führt aber im Vergleich zu z.B. Denoise AI zu relativ starkem Detailverlust. Dafür ruiniert einem Denoise AI in der Regel die Sterne.

Was ich vor kurzem gefunden habe ist das hier:
www.youtube.com

Free AI Denoising for Astro Images?

I've made a free AI (artificial intelligence/machine learning) deconvolution tool as an alternative to paid software. I've added a denoising tool! It's all f...
www.youtube.com www.youtube.com

Ob das gut ist oder nicht, weiß ich nicht. Es ist aber Freeware und ich werde es demnächst mal ausprobieren.

Grüße
Joachim
 
Hallo Simon,

Leider gibt es mehrere Projekte mit dem Namen "DenoiseNet", oder sehr ähnlichem Namen.
Diese Implementierung hier scheint allgemein auf Low-Light Bilder trainiert worden zu sein, aber nicht auf Astro-Bilder.

Ich vermute, Du suchst das Astro-DenoiseNet, an dem auch die Macher von GraXpert (u.a. @Steffenhir) beteiligt sind.
In diesem Projekt wurde ein neuronales Netz mit Astro-Bildern trainiert, jeweils mit einer kurzbelichteten Variante (als verrauschtes Ausgangsbild) und einer langbelichteten Variante (als Optimierungsziel).
Hier ist das entsprechende Repository mit den Sourcen.
Eine Anleitung dazu gibt es im Dark Matters Discord Channel: Discord - A New Way to Chat with Friends & Communities
Dort gab es auch einen Download-Link mit einer Windows-EXE und Trainings-Gewichten.
Leider finden sich nicht mehr alle nötigen Dateien unter dem Link.

@Steffenhir : Gibt es da etwas neues? Wird es ein neues Release geben?

Grüße und CS,
Steffen
 
Super, danke euch allen für die Hilfe. Damit ist meine Frage erstmal beantwortet.
 
Ich habe es jetzt ausprobiert…

[Darth Vader „most impressive“-meme hier einfügen]

Ich denke dass das mindestens solchen anklang finden könnte wie das sehr gute GraXpert, welches ich ebenfalls nutze.

Vielen Dank an die Leute die ehrenamtlich sowas machen und kostenfrei bereitstellen!

Darf ich als Info für ebenfalls interessierte Mitlesende hier veröffentlichen wie das mit der exe und den zwei zusätzlichen Dateien funktioniert, oder soll das nur auf diesem Discord Kanal bleiben?
 

Anhänge

  • IMG_3973.jpeg
    IMG_3973.jpeg
    156,6 KB · Aufrufe: 162
Ich hab mich extra bei Discord angemeldet, aber der Link funktioniert irgendwie nicht. Über die Suche nach "Dark Matters" (und verschiedenen Varianten) kommt auch nichts brauchbares raus. Da begnüge ich mich doch auch gerne mit Anwendungshinweisen per PN :giggle:
Es wäre aber auch für andere Kollegen praktisch, die Infos hier im Thread nachlesen zu können...

CS,
Makro
 
Ah ja, hat geklappt, dankeschön!
Discord finde ich auch sehr unübersichtlich, meine Kids kennen sich dort aber gut aus. Werd da mal etwas "Nachhilfe" beantragen :p
 
Hi Simon,
Zitat von Simon485:
Darf ich als Info für ebenfalls interessierte Mitlesende hier veröffentlichen wie das mit der exe und den zwei zusätzlichen Dateien funktioniert, oder soll das nur auf diesem Discord Kanal bleiben?
Klicke in dieses Feld, um es in vollständiger Größe anzuzeigen.
bitte mach das, danke.
Sollte ja nicht verboten sein, Erfahrungen auszutauschen.

Ich will mich auch nicht nur deswegen oder überhaupt bei Discord anmelden.

Gruß
Peter
 
Hallo Peter, ich bin auch kein Fan von Discord etc, und denke es wirkt sich nur positiv auf die weitere Verbreitung der Software aus wenn die Infos auch hier zu lesen sind ;)

Folgendermaßen geht es: die Dateien entpacken (pridnet_wrapper.exe, weights_G_RGB.h5 und weights_D_RGB.h5), das zu entrauschende Bild in Siril öffnen und unter dem Namen „noisy.fits“ (32 bit Fließkomma und wichtig: .fits mit „s“, bei noisy.fit funktioniert es nicht) in das entpackt Verzeichnis speichern.

Dann die pridnet_wrapper.exe starten. Es kann etwas dauern bis sich ein Fenster öffnet und das Programm zu laufen beginnt. Man muss aber sowieso nichts mehr machen, das Endergebnis wird als „denoised.fits“ im selben Verzeichnis gespeichert.

Gruß

Simon
 
Zitat von Simon485:
Dann die pridnet_wrapper.exe starten. Es kann etwas dauern bis sich ein Fenster öffnet und das Programm zu laufen beginnt. Man muss aber sowieso nichts mehr machen, das Endergebnis wird als „denoised.fits“ im selben Verzeichnis gespeichert.

Gruß

Simon
Klicke in dieses Feld, um es in vollständiger Größe anzuzeigen.
Danke. Ich möchte noch anfügen, die .exe Datei in die Ausnahmeliste des MRT (Malicious Software Removal Tool) von Windows einzutragen (Bei den erweiterten Sicherheitseinstellungen), sobald sie an ihrem finalen Ort im Dateisystem ist, denn dann läuft der Malware-Scan nicht bei jedem Start und verlängert die Bearbeitungszeit zusätzlich. Zumindest bei mir war das der Fall, ich habe die Unterschiede in der Laufzeit aber nicht vermessen, jedenfalls spart man bei jedem Lauf etwas CPU Zeit und damit Strom.

Ich habe übrigens die Version von Github (anderer Name der .exe Datei) verwendet, Ob es dabei einen Unterschied gibt, weiss ich nicht, werde aber bald auf die Version aus dem Discord Channel umsteigen.
 
auf Graxpert 3.0 bin ich auch gespannt. Prima, dass ein Noise-Teil eingebaut wird.
...
dann fehlt ja nur noch das Modul BlurXterminator, ;)
damit auch schlechte Sterne in den Ecken gutgerechnet werden und letzte Details herausgeholt werden. Damit würde auch die BB immer leichter und kürzer werden. :)
viele Grüße
Andreas
 
Zitat von pathmann1:
auf Graxpert 3.0 bin ich auch gespannt. Prima, dass ein Noise-Teil eingebaut wird.
...
dann fehlt ja nur noch das Modul BlurXterminator, ;)
damit auch schlechte Sterne in den Ecken gutgerechnet werden und letzte Details herausgeholt werden. Damit würde auch die BB immer leichter und kürzer werden. :)
viele Grüße
Andreas
Klicke in dieses Feld, um es in vollständiger Größe anzuzeigen.
Obwohl ja mit jeder Bearbeitung neben den gewünschten Resultaten auch unerwünschte Effekte einhergehen wie z.B. Rauschen beim Schärfen, Unschärfe beim Entrauschen, Muster bei Star Reduction... wir kennen sie ja alle, ist es manchmal auch gewünscht die Nachbearbeitung sehr feingliedrig einzustellen, mit einigen Un/Redo Schritten, was eben Zeit kostet, aber auch ansprechendere Ergebnisse liefert.
Klar, für das schnelle Vorschaubildchen reicht Machine Learning aus und stellt eine Erleichterung und Zeitgewinn dar, vor allem wenn man schon einige Viertelstündchen beim Stacking zusehen musste. AI ist das halt noch nicht wirklich, deshalb bezeichne ich es noch immer als "Blase", aber die Vorstufe Machine Learning liefert ja schon Ergebnisse, die erstaunlich genug sind. Da kann man den Entwicklern wirklich dankbar sein und ab und zu mal etwas Kleingeld in die Spendenkasse "werfen" :cool:
 
Nuja, ich habe jetzt mal ein Ergebnis von denoiseNet mit Pixinsight's ACDNR (mit Helligkeitsmaske) verglichen und die Unterschiede sind recht deutlich, und zwar fallen die zugunsten denoiseNet. Zwar rechnet denoiseNet weit länger an dem Bild als PI, aber in Anbetracht der Qualität des Resultats lohnt sich die Wartezeit wirklich.
 
Status
Es sind keine weiteren Antworten möglich.
Zurück
Oben