
PixInsight
- Pidrman
- Příspěvky: 1172
- Registrován: 24. 08. 2010, 09:32
- Bydliště: Žatec
- Věk: 44
- Kontaktovat uživatele:
Re: PixInsight
Nooooo, fakt dobrý 

Montáž : EQ6-R SYNSCAN, HEQ-5 PRO SYNSCAN, Star Adenturer
Dalekohled : Newton 200/800 vlastní stavba, SW ED 80/600, ES MN-152/740
Kamera : ZWO ASI 294 MC, ASI 120 mm, QHY 5L II M
http://www.pidrmanphoto.cz/
https://astrofotky.cz/~Pida
Dalekohled : Newton 200/800 vlastní stavba, SW ED 80/600, ES MN-152/740
Kamera : ZWO ASI 294 MC, ASI 120 mm, QHY 5L II M
http://www.pidrmanphoto.cz/
https://astrofotky.cz/~Pida
Re: PixInsight
Trošku mi to začíná připomínat populární zvětšování a zaostřování z nekvalitních kamerových záznamů v amerických kriminálních seriálech 

William Optics FluoroStar 110, ASI294MC Pro, EQ-6 R, Berlebach Planet, SVBony SV305M Pro, Intel NUC, DeepSkyDad AF3 a pár dalších kravin vlastní výroby
Astrofotky
Astrofotky
- MMys
- Příspěvky: 17107
- Registrován: 02. 01. 2001, 05:03
- Bydliště: Běleč nad Orlicí
- Věk: 49
- Kontaktovat uživatele:
Re: PixInsight
Tak dramaticky bych to neviděl.
Dekonvoluce je normální matematická metoda, pomocí které se dá rekonstruovat signál, který je rozostřený (rozostřený konvolucí původního signálu s PSF funkcí soustavy dalekohled - atmosféra). To vede k tomu, že detaily se rozmažou, ale nezmizí úplně (resektive ne všechny, je tam hranice rozměru, od kterého už jsou detaily ztraceny kompletně, ty větší jsou ale zobrazeny, pouze s více či méně sníženým kontrastem)
A právě ty, které se v signálu ještě vyskytují, tahle metoda rekonstruuje.
Zvětšování záznamu s omezeným rozlišením je něco trochu jiného, tam je nedostatečně jemné vzorkování signálu.
Zde ale zpracováváme signály, které jsou vůči aktuálnímu FWHM převzorkované třeba 5x, mnohdy i 10x, a tam je opravdu jistý prostor pro získání části detailů zpět. Skoro všichni to stejně i doteď dělali, byť ne tak dobrými algoritmy. Aplikace neuronové sítě a brutálního výpočetního výkonu na všech dostupných jáderch je opravdu posun vpřed, a při rozumném nastavení to naopak vyrábí méně nesmyslů, než klasická dekonvoluce používaná doposud.

Dekonvoluce je normální matematická metoda, pomocí které se dá rekonstruovat signál, který je rozostřený (rozostřený konvolucí původního signálu s PSF funkcí soustavy dalekohled - atmosféra). To vede k tomu, že detaily se rozmažou, ale nezmizí úplně (resektive ne všechny, je tam hranice rozměru, od kterého už jsou detaily ztraceny kompletně, ty větší jsou ale zobrazeny, pouze s více či méně sníženým kontrastem)
A právě ty, které se v signálu ještě vyskytují, tahle metoda rekonstruuje.
Zvětšování záznamu s omezeným rozlišením je něco trochu jiného, tam je nedostatečně jemné vzorkování signálu.
Zde ale zpracováváme signály, které jsou vůči aktuálnímu FWHM převzorkované třeba 5x, mnohdy i 10x, a tam je opravdu jistý prostor pro získání části detailů zpět. Skoro všichni to stejně i doteď dělali, byť ne tak dobrými algoritmy. Aplikace neuronové sítě a brutálního výpočetního výkonu na všech dostupných jáderch je opravdu posun vpřed, a při rozumném nastavení to naopak vyrábí méně nesmyslů, než klasická dekonvoluce používaná doposud.
http://hvbo.cz/foto_astronomy_cz, http://hvbo.cz, e-mail: martin(*)myslivec(a)volny(*)cz, Dobson 400mm, N400/1600, Refraktor Borg 77ED, Montáž EQ6, Hvězdárna s montáží vlastní výroby, kamery MII C3-61000, ZWO ASI 1600MM
- Nascarphone
- Příspěvky: 251
- Registrován: 17. 08. 2011, 20:53
- Bydliště: Praha Letňany
- Věk: 35
Re: PixInsight
Možná tady už toto téma proběhlo, jedná se o podporu CUDA. Našel jsem návod https://darkskies.space/pixinsight-starnet-cuda/ na instalaci CUDA do Pixi. Moje sestava se skládá z Ryzen 9 5900X tj 12ti jádro, rychlý M.2 disk, 32GB ramky a podobně. Jen jsem si dal do nového PC starou grafiku GT 1030 (DDR5). Zajímalo mě tedy, jaký to bude mít výkon. Četl jsem, že 1030 nemá skoro žádný výkon a je to ztráta času. Všechno jsem nainstaloval podle návodu (určitě je dobré si původní tensorflow přejmenovat třeba na tensorflow1). Jaký je tedy výsledek?
Vzal jsem jeden obrázek a spustil StarNet2:
CPU 9 5900X to udělalo za 86s ... GPU 1030 to zvládla za 57s. To je o nějakých 30% lepší výsledek, není to mnoho, musíme ale vzít v potaz, že tady poráží levná grafika celkem našlapaný (ano, už jsou lepší CPU) procesor s 12 jádry. Použil jsem krok 128 ve Starnetu2 a CPU to udělal za 6min 28s ... GPU 4min 14s, tedy opět 30% lepší. CPU si řekne při 100% zátěži o nějakých 140W ... Grafika si řekla o 25W a CPU využití 11% - 75W.
Snad bude pro někoho toto srovnání užitečné. Pro mě je celkem milé překvapení výkon 1030, není to takový skok jako z 15min na 30s, ale příjemný krůček, který potěší a důkaz, že i levná grafika něco dokáže.
Vzal jsem jeden obrázek a spustil StarNet2:
CPU 9 5900X to udělalo za 86s ... GPU 1030 to zvládla za 57s. To je o nějakých 30% lepší výsledek, není to mnoho, musíme ale vzít v potaz, že tady poráží levná grafika celkem našlapaný (ano, už jsou lepší CPU) procesor s 12 jádry. Použil jsem krok 128 ve Starnetu2 a CPU to udělal za 6min 28s ... GPU 4min 14s, tedy opět 30% lepší. CPU si řekne při 100% zátěži o nějakých 140W ... Grafika si řekla o 25W a CPU využití 11% - 75W.
Snad bude pro někoho toto srovnání užitečné. Pro mě je celkem milé překvapení výkon 1030, není to takový skok jako z 15min na 30s, ale příjemný krůček, který potěší a důkaz, že i levná grafika něco dokáže.

Celestron RASA 11; Nexstar Evo C9.25+hyperstar; SW 50ED Evoguide
Daystar Quark Chromosphere
SW EQ-8R Pro
ZWO ASI 1600MMC; 2600MC
APM 20x80 ED Triplet
http://astrofotky.cz/~LiJak
https://www.flickr.com/photos/193485630@N06/
Daystar Quark Chromosphere
SW EQ-8R Pro
ZWO ASI 1600MMC; 2600MC
APM 20x80 ED Triplet
http://astrofotky.cz/~LiJak
https://www.flickr.com/photos/193485630@N06/