写在前面:本文是基于作者多次使用DeepSNR所总结出来的经验，仅供参考，若实际使用情况与本文有出入请以自己的实践结果为准。
关于DeepSNR：
DeepSNR是基于深度学习的一个降噪插件，作者是Mikita Misiura。目前DeepSNR只支持彩色图片的降噪。
其使用界面非常简单，只有强度以及目标图片是否线性两个选项。
DeepSNR的安装：
在网址https://www.deepsnrastro.com/download/ 下下载zip文件，解压后按照插件的安装方式安装即可。（pixinsight专属）
使用经验：
DeepSNR在线性图上对于彩色噪声的压制是非常好的，要明显好于NXT,ACDNR等降噪工具。
(左图为DeepSNR强度100%，右图为NXT强度100%)
同时DeepSNR对于细节的保存也很到位。
(左图为NXT强度100%，右图为DeepSNR强度100%)
可以看出NXT对于细节甚至有锐化的作用，但是效果不好。而DeepSNR则很好的保存了细节，没有锐化也没有抹平。
DeepSNR的缺点是运行时间很长，比NXT长好几倍。但DeepSNR能够被CUDA加速。
除此之外DeepSNR还有很多别的缺点：
1.在DeepSNR官网上可以看到标注：Only RGB images taken using monochrome sensors are supported at the moment. CFA Drizzle integration should be used for DSLR images to get good results.
翻译一下，只有黑白相机的片子才能有很好的使用效果，对于数码单反的片子要做CFA Drizzle integration。当然别以为把灰度图转为RGB彩色图就能使用DeepSNR。
2.如果使用后类似下图所示的令人不愉快的效果（线性图），可能是以下几个方面造成的：
1) 所作用的master是Drizzle过的，无论Drizzle时用哪一个kernel function都会导致这个效果。
2) 在星点对齐时用的内插算法为Mitchell-Netravali Filter。
3) 所作用的图为HOO通道（或ABB通道形式）。
4) 所作用的master为混叠得到的。
5) 彩机解拜尔时用的算法为VNG。
（注意，并不是说你作用的master包含了以上的因素就会导致这样的效果，而是如果产生了这样的效果那么很可能所作用的master包含以上因素）
在此提供解决办法：
1）针对Drizzle得到的master，先提取明度通道，
对RGB照片使用DeepSNR后使用ACDNR并仅对色彩降噪，
然后使用LRGB合成将明度通道合并进色彩通道。
（左图为直接使用DeepSNR，右图为进行LRGB合成的）
2）针对内插算法为Mitchell-Netravali Filter的，直接换一个内插算法或者同1）。
3）针对所作用的图为HOO通道的，先将O通道复制一份，利用其他的降噪方法对其中等力度的降噪，
（这里使用EZ Denoise进行降噪）
然后使用Noise Generator人工添加高斯噪声直到与原图的噪声力度相似，
（左图为人工添加噪声，右图为原图）
然后再使用H,O以及O_clone进行HOO通道合成，得到彩色通道，再使用DeepSNR进行降噪。
(左图为使用新制作的O的效果，右图为普通HOO的效果)
4）针对master为混叠得到的，同1）。
5）针对彩机，解拜尔时可用SuperPixel算法,但会损失解析力。
这些解决办法都是作者在多次尝试后得出的结论。总体思路很简单：使用DeepSNR只是降彩噪，因此与明度无关。只要提前把明度保护起来，无论RGB图片的效果有多歪，但只要它们“歪的一样”就可以通过LRGB合成来修正。
3.DeepSNR对于高亮度区域会有不愉快的效果，例如：
星点：
明亮星系核心：
以及明亮星云核心：
因此在使用的时候应分离或者保护这些高亮区域。
使用技巧：
不难发现DeepSNR在强度100%的表现依然不俗，不像某些降噪方法，一旦提高降噪强度画面就会变得油腻有涂抹感。作者在平时的使用过程中也确实一直在使用100%的强度，主要是可以节省运行时间，同时获得不错的降噪效果。
然而DeepSNR不像ACDNR一样可以将明度以及颜色分开降噪，使用就意味着会将明度以及颜色都会抹除。我们正好可以利用这点，使用DeepSNR对拍摄得到的L通道或者窄带合成的伪L通道进行降噪。
首先得到一张已经经过DBE,颜色校准，反卷积去星等操作过后的RGB图像以及经过DBE，反卷积去星等操作的明度通道。
（这里借用万佬的素材充当教具）
（如有需要就制作一蒙版保护高亮区域）
然后提取出RGB图像的明度，使用LinearFit以RGB的明度为参考作用到拍摄得到的明度通道上。
再使用LRGB combination将明度通道合进RGB图像中。
再使用DeepSNR对RGB图像降噪。
然后提取出降噪后的RGB图片的明度。
这样我们就得到了借用DeepSNR降噪的明度。当然这肯定是降噪过头的，这时我们就可以将新的明度与老的明度做线性混合：
（可以直接使用平均值函数）
在老的明度上作用1次，对比细节：
（左图为混合之前，右图为混合之后）
可以发现降噪效果不错。
之后就可以进行后续的操作了。
有人可能会问：为什么这么麻烦，这与直接用NXT降噪有什么区别么？
诚然，在混合力度不强的时候几乎分辨不出来。但如果你需要对明度通道进行强力降噪，两者的效果就会不同。
（左图为NXT强度90%的降噪效果，右图为使用公式混合3次的效果）
NXT降噪的效果有明显的涂抹感，而使用这种方法的降噪效果就会稍好。
更重要的是:DeepSNR免费。
总结：
掌握了DeepSNR后：我不用NXT好多年。
*感谢万佬的素材以及分子伴侣大佬提供的素材作为本文的教具。
星友评论