GraXpert 3.0 mit Denoise AI
- Ersteller des Themas frasax
- Erstellungsdatum
linuxer
Aktives Mitglied
Danke für die Info. Das Programm ist Super. Ich verwende zwar nur die KI Entrausch-Funktion, aber das macht es hervorragend.
Ist vielleicht noch eine "Schärfen-Funktion" geplant, denn das wäre echt Super.
Vielen Dank für die hervorragende Arbeit. Da ich Hauptsächlich Linux benutze ist es etwas schwerer Programme zu finden die auch unter Linux laufen,
weshalb ich eure Arbeit echt zu würdigen weis.
schmelly
Neues Mitglied
Hi Udo,
mal etwas Feedback aus Entwicklersicht: Die Aussage, dass die Entwicklung der BGE- und Denoise-AIs mit klassischer Programmierung nichts mehr zu tun hat ist mindestens irreführend, eigentlich aber auch ein Stück weit grober Unfug.
Natürlich setzen wir für die Entwicklung auf bestehenden Bibliotheken und Related Work auf, das machen wir aber an allen Ecken und Enden (z.B. für das Laden unterschiedlicher Bildformate). Richtig ist: Beide AI-Modelle kann man am Ende des Tages als Filter verstehen, d.h. als mathematische Funktion, die aus sehr, sehr vielen Parametern bestehen ("Weights" in einem neuronalen Netzwerk). Richtig ist auch, dass wir diese Parameter nicht händisch optimieren, das ist hingegen Ziel eines automatisierten Trainingsprozesses.
Aber: die Architektur eines neuronalen Netzes möchte abhängig vom Anwendungszweck erstmal konzipiert und dann auch implementiert werden. Die Nodellarchitektur für BGE unterscheidet sich hierbei deutlich von der fürs Denoising, so eine Architektur fällt nicht einfach vom Himmel und hier liegt ein großer großer Teil der Hauptarbeit. Wie Du schriebst muss man dann drumherum noch den Trainingsprozess konzipieren (insb Loss-Function, korrekte Normalisierung unterschiedlicher Belichtungszeiten, etc pp usw...) und kleine fiese Detailprobleme wie die Entstehung von Bildartefakten lösen. All das ist ganz normales Software Engineering und die Hauptarbeit liegt definitiv nicht darin, die richtigen Bibliotheken zu suchen und plattformübergreifend zusammenzustecken...
LG und CS, David
mal etwas Feedback aus Entwicklersicht: Die Aussage, dass die Entwicklung der BGE- und Denoise-AIs mit klassischer Programmierung nichts mehr zu tun hat ist mindestens irreführend, eigentlich aber auch ein Stück weit grober Unfug.
Natürlich setzen wir für die Entwicklung auf bestehenden Bibliotheken und Related Work auf, das machen wir aber an allen Ecken und Enden (z.B. für das Laden unterschiedlicher Bildformate). Richtig ist: Beide AI-Modelle kann man am Ende des Tages als Filter verstehen, d.h. als mathematische Funktion, die aus sehr, sehr vielen Parametern bestehen ("Weights" in einem neuronalen Netzwerk). Richtig ist auch, dass wir diese Parameter nicht händisch optimieren, das ist hingegen Ziel eines automatisierten Trainingsprozesses.
Aber: die Architektur eines neuronalen Netzes möchte abhängig vom Anwendungszweck erstmal konzipiert und dann auch implementiert werden. Die Nodellarchitektur für BGE unterscheidet sich hierbei deutlich von der fürs Denoising, so eine Architektur fällt nicht einfach vom Himmel und hier liegt ein großer großer Teil der Hauptarbeit. Wie Du schriebst muss man dann drumherum noch den Trainingsprozess konzipieren (insb Loss-Function, korrekte Normalisierung unterschiedlicher Belichtungszeiten, etc pp usw...) und kleine fiese Detailprobleme wie die Entstehung von Bildartefakten lösen. All das ist ganz normales Software Engineering und die Hauptarbeit liegt definitiv nicht darin, die richtigen Bibliotheken zu suchen und plattformübergreifend zusammenzustecken...
LG und CS, David
joetaiga
Aktives Mitglied
Grad das finde ich gut. Kann man einfach nacheinander den kleinen Workflow durchführen.
Damit wäre das ein extrem mächtiges Werkzeug. Gerade mit Deconvolution wäre eine Alternative zum durch den PI Zwang extrem teuren BXT verfügbar und Reflexe zu entfernen ist etwas, das man heute nur manuell machen kann und damit sehr aufwändig ist.
Das würde mich wirklich freuen ?
frasax
Aktives Mitglied
ich fände das auch toll, aber es steht und fällt damit, einen Ansatz zu finden und dann eine Motivation für die Programmierer zu finden. Gerade bei der Deconvolution ist das ein Problem, ich vermute daher mehr und mehr, dass Russel Croman da irgendwas nicht ganz so nachvollziehbares macht.
Cs Frank
Steffenhir
Mitglied
Wir haben gerade eine neue Version der AI fürs Denoising 3.0.0 veröffentlicht. Die neue AI benutzt eine neue Architektur, die hier zu finden ist: CascadedGaze: Efficiency in Global Context Extraction for Image Restoration. Sie ist eher gedacht für diejenigen, die entweder eine gute GPU haben oder die eine längere Berechnungszeit in Kauf nehmen für bessere Resultate. Die Version 3.0.0 braucht nämlich etwa um einen Faktor 2-3 länger als die 2.0.0, dafür ist das Ergebnis nochmal um einiges schärfer.
MARTINARTEM
Aktives Mitglied
Danke für die Info, CS Martin
GroßA'Tuin
Aktives Mitglied
An dieser Stelle auch von meiner Seite ein riesen Dankeschön an das Graxpert Entwicklerteam für die fantastische Arbeit und das grandiose Tool! Ich freue mich schon aufs Testen der neuen Version!!
Viele dankbare Grüße, Ben
Tom0104
Aktives Mitglied
Hallo,
ich habe die Versionen auch mal verglichen und möchte meine Eindrücke schildern. Dazu habe ich auch noch den NoiseXterminator mit reingenommen, da ich glaube viele interessiert wie die zu einander performen.
Dazu möchte ich sagen, das ich nichts davon halte, Tools nur mit Standardeinstellungen auf einander los zu jagen. Hintergrund ist der: Dabei bekomme ich nur raus welches Tools aggressiver in den default-Einstellungen agieren. Letztendlich kann ich mit jedem Tool auf ein gewünschtes Rauschlevel kommen, die Frage ist nur wie weit ich die Regler aufziehen muss oder ob ich Tools mehrfach benutze. Daher habe ich hier alle Bilder auf das etwa gleiche SNR (signal to noise ratio) gebracht und die entsprechenden Faktoren dazu notiert.
Ich habe ein Ausschnitt in 300% Ansicht gewählt um die Unterschiede deutlicher zu machen.
GraXpert AI 2.0 Faktor 1.110 Dauer 27s
GraXpert AI 3.0 Faktor 0.915 Dauer 96s
NoiseXterminator Faktor 0.9 Dauer 4s
Ich finde es wird sofort sichtbar, dass der Bildeindruck und der Umgang mit kleinsten Sternen extrem unterschiedlich ist. Optisch am "glattesten" ist der Hintergrund bei NoiseXterminator gefolgt von GraXpert mit AI2 und dann GraXpert mit AI3. Wobei glatt hier eigentlich die Falsche Vokabel ist, denn wir dürfen nicht vergessen alle Bilder haben das fast gleiche SNR. Zumindest so weit ich das hinbekommen habe.
Die GraXpert AI 3 Version lässt wirklich die feinsten/schwächsten Sterne unangetastet, was vielleicht ein unruhigeren Eindruck macht aber letztendlich aus meiner Sicht doch erstrebenswert ist.
Die Zeitbedarf ist natürlich eklatant unterschiedlich, spielt für mich persönlich aber eine untergeordnete Rolle. Für die beste Qualität dürfte das auch 10x solange dauern.
Die Zeiten beziehen sich auf ein monochromes 164min Summenbild im APS-C Format berechnet auf einem Ryzen 5900X mit einer NVIDIA 3060Ti.
Vielleicht hilft das ja dem Einen oder Anderen.
Viele Grüße
Thomas
ich habe die Versionen auch mal verglichen und möchte meine Eindrücke schildern. Dazu habe ich auch noch den NoiseXterminator mit reingenommen, da ich glaube viele interessiert wie die zu einander performen.
Dazu möchte ich sagen, das ich nichts davon halte, Tools nur mit Standardeinstellungen auf einander los zu jagen. Hintergrund ist der: Dabei bekomme ich nur raus welches Tools aggressiver in den default-Einstellungen agieren. Letztendlich kann ich mit jedem Tool auf ein gewünschtes Rauschlevel kommen, die Frage ist nur wie weit ich die Regler aufziehen muss oder ob ich Tools mehrfach benutze. Daher habe ich hier alle Bilder auf das etwa gleiche SNR (signal to noise ratio) gebracht und die entsprechenden Faktoren dazu notiert.
Ich habe ein Ausschnitt in 300% Ansicht gewählt um die Unterschiede deutlicher zu machen.
GraXpert AI 2.0 Faktor 1.110 Dauer 27s
GraXpert AI 3.0 Faktor 0.915 Dauer 96s
NoiseXterminator Faktor 0.9 Dauer 4s
Ich finde es wird sofort sichtbar, dass der Bildeindruck und der Umgang mit kleinsten Sternen extrem unterschiedlich ist. Optisch am "glattesten" ist der Hintergrund bei NoiseXterminator gefolgt von GraXpert mit AI2 und dann GraXpert mit AI3. Wobei glatt hier eigentlich die Falsche Vokabel ist, denn wir dürfen nicht vergessen alle Bilder haben das fast gleiche SNR. Zumindest so weit ich das hinbekommen habe.
Die GraXpert AI 3 Version lässt wirklich die feinsten/schwächsten Sterne unangetastet, was vielleicht ein unruhigeren Eindruck macht aber letztendlich aus meiner Sicht doch erstrebenswert ist.
Die Zeitbedarf ist natürlich eklatant unterschiedlich, spielt für mich persönlich aber eine untergeordnete Rolle. Für die beste Qualität dürfte das auch 10x solange dauern.
Die Zeiten beziehen sich auf ein monochromes 164min Summenbild im APS-C Format berechnet auf einem Ryzen 5900X mit einer NVIDIA 3060Ti.
Vielleicht hilft das ja dem Einen oder Anderen.
Viele Grüße
Thomas
Steffenhir
Mitglied
Danke schonmal für das Feedback!
@Tom0104 Danke für den ausführlichen Test! Eine Sache die uns schon aufgefallen ist, ist dass die AI v3.0 mit monochromen Bildern nicht sehr gut klar kommt. Der Grund dafür ist, dass sie bisher nur mit OSC-Aufnahmen trainiert wurde. Wenn möglich sollte man deshalb vorher die Kanäle zu einem RGB Bild (oder LRGB) kombinieren.
Diese Einstellung betrifft nur die Anzeige vom Bild und ändert nichts am Ergebnis vom linearen Bild. Verknüpft bedeutet hier, dass alle Farbkanäle gleichermaßen gestretcht werden. Das ist zum Beispiel nützlich um Farbstiche zu erkennen oder bei der Anzeige eine Farbkalibrierung zu behalten.
@Tom0104 Danke für den ausführlichen Test! Eine Sache die uns schon aufgefallen ist, ist dass die AI v3.0 mit monochromen Bildern nicht sehr gut klar kommt. Der Grund dafür ist, dass sie bisher nur mit OSC-Aufnahmen trainiert wurde. Wenn möglich sollte man deshalb vorher die Kanäle zu einem RGB Bild (oder LRGB) kombinieren.
Steffenhir
Mitglied
Außerdem ist uns aufgefallen, dass bei Anwendung auf nur einen kleinen Ausschnitt vom Bild die AI schlechter performt, als wenn sie auf das gesamte Bild losgelassen wird.
Weiterhin ist die Berechnungszeit auf macOS um einiges länger als auf Windows, da das Framework was wir zur Ausführung der KI verwenden auf macOS weniger der erforderlichen Operationen unterstützt.
Weiterhin ist die Berechnungszeit auf macOS um einiges länger als auf Windows, da das Framework was wir zur Ausführung der KI verwenden auf macOS weniger der erforderlichen Operationen unterstützt.
frasax
Aktives Mitglied
Hallo Thomas,
ich hatte auch mal Experimentiert mit dem SNR Tool in PixInsight. Da haben mich aber mehrere Leute drauf hingewiesen, dass man das SNR schlecht bestimmen kann, wenn man keine messbare Größe für das Signal hat. Warum sage ich das: Ich bin immer noch auf der Suche nach einer Methode, eine objektive Aussage über die Wirkung eines Entrauschtools zu finden.
CS Frank
Tom0104
Aktives Mitglied
Hi Frank,
das mit dem SNR Tool ist ja unbefriedigend. Ich kann mir aber dennoch vorstellen, dass es in diesem Fall nicht die große Rolle spielt. Wenn ich unterschiedlich Aufnahmen/Objekte hätte und das SNR vergleichen möchte, verstehe ich das es ein zuverlässiges Kriterium für Signal geben muss. Aber was immer auch Pixinsight hier macht, es ist das gleiche Ausgangsbild, sprich die gleichen Daten vorhanden. Also selbst wenn Pixinsight da Unsinn macht, wird es diesen Unsinn vermutlich immer gleich machen.
Es ist ja auch möglich nur das Rauschen in Pixinsight zu messen, vielleicht ist das verlässlicher. Dieses wird ja in vielen Funktionen verwendet und unter anderem auch zur Gewichtung im SubframeSelector. Ich werde damit nochmal rumprobieren, ob es dort zu ganz anderen Faktoren kommt.
Wobei ich glaube, dass sich and der eigentlichen Aussage und dem unterschiedlichen Verhalten der AI Module nicht viel ändern wird.
Viele Grüße
Thomas
das mit dem SNR Tool ist ja unbefriedigend. Ich kann mir aber dennoch vorstellen, dass es in diesem Fall nicht die große Rolle spielt. Wenn ich unterschiedlich Aufnahmen/Objekte hätte und das SNR vergleichen möchte, verstehe ich das es ein zuverlässiges Kriterium für Signal geben muss. Aber was immer auch Pixinsight hier macht, es ist das gleiche Ausgangsbild, sprich die gleichen Daten vorhanden. Also selbst wenn Pixinsight da Unsinn macht, wird es diesen Unsinn vermutlich immer gleich machen.
Es ist ja auch möglich nur das Rauschen in Pixinsight zu messen, vielleicht ist das verlässlicher. Dieses wird ja in vielen Funktionen verwendet und unter anderem auch zur Gewichtung im SubframeSelector. Ich werde damit nochmal rumprobieren, ob es dort zu ganz anderen Faktoren kommt.
Wobei ich glaube, dass sich and der eigentlichen Aussage und dem unterschiedlichen Verhalten der AI Module nicht viel ändern wird.
Viele Grüße
Thomas
ubit
Aktives Mitglied
Rauschen ist halt auch nicht gleich Rauschen. Es gibt Helligkeitstauschen und Farbrauschen (in Farbbildern). Und die Verteilung der Pixelwerte muß auch nicht immer gleich sein - jedenfalls nicht nach der Anwendung von Entrauschungsverfahren.
Im Prinzip könnte man z.B. im Hintergrund alle ADU-Werte in einem bestimmten Bereich durch den Mittelwert ersetzen. Das enttäuscht dann extrem, aber größere Abweichungen bleiben. Ein anderes Verfahren, welches alle ADU-Werte erfasst und "näher zusammenrückt" könnte zum selben SNR führen. Die zweite Version wird aber für das menschliche Auge besser sein, weil in der ersten Version die Ausreißer stark bemerkt werden.
Also selbst wenn man das SNR korrekt bestimmen kann, ist die Aussagekraft durchaus begrenzt.
Ciao, Udo
Im Prinzip könnte man z.B. im Hintergrund alle ADU-Werte in einem bestimmten Bereich durch den Mittelwert ersetzen. Das enttäuscht dann extrem, aber größere Abweichungen bleiben. Ein anderes Verfahren, welches alle ADU-Werte erfasst und "näher zusammenrückt" könnte zum selben SNR führen. Die zweite Version wird aber für das menschliche Auge besser sein, weil in der ersten Version die Ausreißer stark bemerkt werden.
Also selbst wenn man das SNR korrekt bestimmen kann, ist die Aussagekraft durchaus begrenzt.
Ciao, Udo
Steffenhir
Mitglied
Hallo Thomas, ja mehr Mono-Trainingsbilder wären toll. Wir bräuchten dafür die unbearbeiteten Rohstacks am besten als 32bit fits. Je mehr desto besser
Die Bilder können hier hochgeladen werden: GraXpert AI Contribution
MARTINARTEM
Aktives Mitglied
Hallo @Steffenhir ich wollte paar MONO Bilder "spenden" doch beim klicken des Links GRAXPERT AI CONTRIBUTION, werde Ich auf Google Anmelden weitergeleitet, FYI und CS MartinHallo Thomas, ja mehr Mono-Trainingsbilder wären toll. Wir bräuchten dafür die unbearbeiteten Rohstacks am besten als 32bit fits. Je mehr desto besser
joetaiga
Aktives Mitglied
Ich habe mal ein Beispiel einer Luminanz von M3 hochgeladen, wo das auch schon mit 2.0 nicht sauber geklappt hat. Wo die Sterne dichter werden, findet kaum noch Entrauschen statt. Mit dem RGB funktioniert es allerdings ganz gut. Mit 3.0 ist das Bild zwar gleichmäßiger entrauscht, aber dafür hat man das Gegriesel im Hintergrund.
Mit dem RGB funktioniert es allerdings ganz gut.
Steffenhir
Mitglied
Danke für die vielen Mono-Aufnahmen schonmal!
Könntest du es nochmal über diesen Link versuchen: Link? Eigentlich hab ich die entsprechenden Einstellungen schon ausgestellt, damit man es ohne Google Account ausfüllen kann.
Bei der v2.0 hatten wir auch nur mit RGB-Bildern trainiert. Bei der v3.0 scheint das ein noch größeres Problem zu sein wenn man es auf Mono-Bilder anwendet als bei der v2.0.
Steffenhir
Mitglied
@MARTINARTEM Danke für die zahlreichen Trainingsbilder! Ich habe ein erstes Testtraining mit RGB und Mono-Aufnahmen durchgeführt und der Unterschied ist groß.
Hier links oben das Original, rechts oben das Ergebnis nach Training mit RGB+Mono, links unten das Ergebnis nur mit RGB trainiert. Das Ergebnis bei Training mit RGB+Mono hat jetzt einen ruhigeren Hintergrund und bei anderen Monoaufnahmen konnte ich auch beobachten, dass das Objekt weniger verschmiert wird, wenn das Rauschlevel schon niedrig ist.
Hier links oben das Original, rechts oben das Ergebnis nach Training mit RGB+Mono, links unten das Ergebnis nur mit RGB trainiert. Das Ergebnis bei Training mit RGB+Mono hat jetzt einen ruhigeren Hintergrund und bei anderen Monoaufnahmen konnte ich auch beobachten, dass das Objekt weniger verschmiert wird, wenn das Rauschlevel schon niedrig ist.
Steffenhir
Mitglied
Wir haben gerade die v3.0.1 der Denoising-AI released, die jetzt auch mit einigen Monobildern trainiert wurde. Die nächsten Schritte werden vermutlich sein das Modell zu optimieren, damit es auch auf macOS schneller läuft, und mehr Bilder in den Trainingsdatensatz aufzunehmen.
Über mehr Feedback über die neue Version würden wir uns sehr freuen
CS Steffen
Über mehr Feedback über die neue Version würden wir uns sehr freuen
CS Steffen
Steffenhir
Mitglied
Heute haben wir die v3.0.2 released. Im Vergleich zur v3.0.1 wurde die v3.0.2 nicht nur mit unkorreliertem Gauß-Rauschen trainiert, sondern auch mit realistischem Rauschen, was wir aus echten Aufnahmen extrahiert haben. Außerdem ist die v3.0.2 etwas weniger aggressiv abgestimmt beim Entrauschen.
CS Steffen
CS Steffen
joetaiga
Aktives Mitglied
Ich habe 3.02 eben mal ausprobiert. Ich habe dabei zwei Varianten probiert. Einmal mit Deconvolution (links) auf den Rohstack und einmal ohne (Mitte). Zum Vergleich ist der Rohstack mit Deconvolution vorm Ebnen und Entrauschen rechts.
Mir ist dabei aufgefallen, dass im entrauschten Bild mit Deconvolution deutlich mehr schwache Sterne sichtbar sind als im Rohstack und dem Versuch ohne Deconvolution. Vergleichsaufnahmen finde ich leider keine mit der entsprechenden Sterntiefe. Von daher kann ich nicht sagen, ob das echt ist oder Artefakte. Von dem Motiv finde ich nur Schmalbandaufnahmen mit zusätzlich noch reduzierten Sternen. Meine ist natürlich auch Schmalband aber mit breiten Filtern.
Sind das alles reale Sterne oder sind es doch Artefakte? Das erste Modell hatte ja bei SW Bildern auch sternartige Artefakte im Hintergrund erzeugt. Wenn es real ist, ist das auf jeden Fall eine Methode die Sterntiefe deutlich zu erhöhen. Es sieht mal real aus, da die Verteilung der schwachen Sterne inhomogen ist, während das bei den ersten SW Bildern homogen über das ganze Bild so war.
Grüße,
Joachim
Mir ist dabei aufgefallen, dass im entrauschten Bild mit Deconvolution deutlich mehr schwache Sterne sichtbar sind als im Rohstack und dem Versuch ohne Deconvolution. Vergleichsaufnahmen finde ich leider keine mit der entsprechenden Sterntiefe. Von daher kann ich nicht sagen, ob das echt ist oder Artefakte. Von dem Motiv finde ich nur Schmalbandaufnahmen mit zusätzlich noch reduzierten Sternen. Meine ist natürlich auch Schmalband aber mit breiten Filtern.
Sind das alles reale Sterne oder sind es doch Artefakte? Das erste Modell hatte ja bei SW Bildern auch sternartige Artefakte im Hintergrund erzeugt. Wenn es real ist, ist das auf jeden Fall eine Methode die Sterntiefe deutlich zu erhöhen. Es sieht mal real aus, da die Verteilung der schwachen Sterne inhomogen ist, während das bei den ersten SW Bildern homogen über das ganze Bild so war.
Grüße,
Joachim
Quasarius
Mitglied
Hallo,
gibts eigentlich inzwischen was neues zu Graxpert, neue AI oder so ?
Aber klar wir haben ja auch erstmal 'Sommer Sonne Kaktus' .. da sitzt man auch nicht unbedingt im Programmierstübchen ;-)
Ich wollte das Graxpert gerade mal wieder benutzen, in Pixinsight der neuesten Version, hat aber nicht funktioniert.
Das gabs ja als Prozess und auch als Script, hat beides schon mal hervorragend funktioniert, ich hatte das ja alles installiert, aber jetzt gehts halt nicht mehr.
Ich muss mal genauer in den Fehlerlogs schauen, wird sich sicher klären.
Separat als Anwendung läuft alles wie bisher, kein Problem.
CS
Thomas
gibts eigentlich inzwischen was neues zu Graxpert, neue AI oder so ?
Aber klar wir haben ja auch erstmal 'Sommer Sonne Kaktus' .. da sitzt man auch nicht unbedingt im Programmierstübchen ;-)
Ich wollte das Graxpert gerade mal wieder benutzen, in Pixinsight der neuesten Version, hat aber nicht funktioniert.
Das gabs ja als Prozess und auch als Script, hat beides schon mal hervorragend funktioniert, ich hatte das ja alles installiert, aber jetzt gehts halt nicht mehr.
Ich muss mal genauer in den Fehlerlogs schauen, wird sich sicher klären.
Separat als Anwendung läuft alles wie bisher, kein Problem.
CS
Thomas
NeutraleNull
Aktives Mitglied
Gibt’s für die GraXpert Entwickler eigentlich keine Kaffeetasse zum spenden? Wollte letztens mal ein wenig was da lassen, aber habe leider keinen Link gefunden.
Ich denke gerade dafür was die payware Tools kosten kann man gerne mal etwas da lassen. Vor allem bei dem Umfang. Zumindest aus meinem Workflow wäre es nicht mehr weg zu denken.
CS,
Oliver
Ich denke gerade dafür was die payware Tools kosten kann man gerne mal etwas da lassen. Vor allem bei dem Umfang. Zumindest aus meinem Workflow wäre es nicht mehr weg zu denken.
CS,
Oliver
Quasarius
Mitglied
Hat sich erledigt, ich habe Graxpert (dieselbe Version die ich schon hatte) deinstalliert und neu installiert, und schon geht die Benutzung als Prozess wieder
Und ich habe auch gelesen (irgendwo im Graxpert Discord channel), dass es die Graxpert-Scriptversion für PI gar nicht mehr gibt. Also alles bestens
NeutraleNull
Aktives Mitglied
Ist das Erste was ich in der Regel mache gefolgt von entrauschen. Ein gewisses SNR sollte schon da sein.