PixInsight 1.9.5 Lockhart: arriva MLDenoise, il primo strumento di machine learning sviluppato da Pleiades

Con la versione 1.9.5, rilasciata il 18 settembre, PixInsight introduce il modulo MachineLearning e il processo di riduzione del rumore MLDenoise. Le build di manutenzione 1705 e 1706, arrivate nell’ultima settimana di settembre, aggiungono tra l’altro il supporto nativo a Wayland su Linux e un nuovo motore di registrazione basato sulla trasformata di Fourier.

Cosa cambia

Il 18 settembre Pleiades Astrophoto ha annunciato sul portale PixInsight Development la disponibilità di PixInsight 1.9.5 Lockhart per Linux, macOS e Windows. Nel post firmato da Juan Conejero la release viene presentata come un aggiornamento importante della piattaforma, e la prima novità in elenco è il nuovo modulo MachineLearning, che contiene il processo MLDenoise dedicato alla riduzione del rumore nelle immagini deep-sky.

Per noi astrofotografi la notizia pesa più del singolo strumento. Finora in PixInsight la riduzione del rumore basata su reti neurali passava da componenti di terze parti, in primo luogo NoiseXTerminator di RC-Astro, che ScopeTrader ricorda essere venduto a 59 dollari come prodotto separato. Con MLDenoise, per la prima volta, uno strumento di questo tipo nasce all’interno del team di sviluppo di PixInsight e viene distribuito con la piattaforma stessa.

La 1.9.5 non arriva da sola. Nello stesso giorno sono stati pubblicati WBPP 3.1.0, che rende affidabile la ripresa di un’elaborazione interrotta, e la revisione 1 della specifica XISF 1.0. Nei giorni successivi sono seguite due build di manutenzione: la 1705, che fra le novità introduce il supporto nativo a Wayland su Linux, e la 1706, che porta la versione 2.0 dello script FFTRegistration, con un motore di registrazione basato su Fourier ora integrato nell’applicazione principale.

Dettagli tecnici

MLDenoise non è del tutto una sorpresa. Il 23 giugno Pleiades aveva rilasciato una technology preview limitata ai Mac con processore Apple Silicon (macOS ARM64), descrivendola come un nuovo strumento di machine learning per ridurre il rumore delle immagini astronomiche deep-sky. Secondo la sintesi pubblicata da ScopeTrader, quella preview richiedeva il download di un file separato contenente il database della rete neurale e veniva presentata come un primo assaggio della nuova generazione di strumenti basati su machine learning che l’azienda intende introdurre nei prossimi aggiornamenti. La stessa fonte riporta che conviene regolare i parametri su anteprime ridotte di aree d’interesse, perché la messa a punto può richiedere diversi tentativi.

Con la 1.9.5 lo strumento esce dalla fase sperimentale e diventa disponibile su tutte e tre le piattaforme. Sul fronte Linux, il supporto a Wayland rappresenta un cambio di rotta: ancora a maggio la pagina dei requisiti di sistema di PixInsight dichiarava Wayland non supportato, spiegando che l’impossibilità di posizionare le finestre di primo livello lo rendeva incompatibile con l’interfaccia grafica e che serviva un ambiente X11/XCB funzionante.

I primi riscontri della comunità sono incoraggianti ma non privi di ombre. Nel forum di AstroBin un utente riferisce che MLDenoise lavora bene ma lascia alcune porzioni dell’immagine non trattate e mostra problemi di fluidità nell’anteprima; un altro osserva che il processo occupa circa 2,5 GB di memoria GPU senza liberarla a fine elaborazione; altri ancora sconsigliano di applicarlo a immagini starless, perché tenderebbe a ricostruire frammenti stellari a partire dalla nebulosità debole residua. Sono osservazioni di singoli utenti e non test sistematici, ma offrono indicazioni concrete a chi comincia a provarlo.

Impatto per gli astrofotografi

Il confronto più naturale, per chi lavora con strumenti gratuiti, è con GraXpert. Il suo modello di denoising basato su IA è accessibile anche da Siril attraverso un’interfaccia dedicata: la documentazione ufficiale di Siril spiega che il collegamento avviene tramite uno script Python, che serve comunque una copia di GraXpert installata per scaricare i modelli e che l’operazione di denoising espone un solo parametro, la forza, regolabile fra 0 e 1. È una soluzione open source e senza costi di licenza, ormai consolidata nelle pipeline basate su Siril.

MLDenoise si colloca in una posizione diversa. La nostra lettura è che per chi possiede già una licenza PixInsight il nuovo processo possa ridurre la dipendenza da moduli esterni per la riduzione del rumore, restando dentro il flusso di lavoro nativo della piattaforma, con i suoi strumenti di anteprima e di mascheratura. Per chi invece lavora con Siril e GraXpert, MLDenoise da solo non ci sembra un motivo sufficiente per passare a un software commerciale: il valore di PixInsight resta legato all’insieme dell’ecosistema, da WBPP agli strumenti di calibrazione del colore.

Al momento mancano confronti sistematici e pubblicati fra MLDenoise, NoiseXTerminator e il denoise di GraXpert sugli stessi dati: circolano soprattutto video e prove individuali. Chi vuole valutarlo farà bene a testarlo sulle proprie integrazioni, lavorando su anteprime e verificando con attenzione le zone a basso segnale e le immagini già private delle stelle.

Nei prossimi mesi sarà interessante capire come evolverà il modulo MachineLearning, dato che Pleiades lo ha presentato come il primo passo di una serie di strumenti basati su reti neurali. Se il denoise è solo l’inizio, è lecito attendersi che anche altre fasi dell’elaborazione, oggi coperte da prodotti di terze parti, trovino in futuro una risposta nativa dentro PixInsight.