如果你搜“Starnet”这个词，可能会看到两种东西：一篇发表在计算机视觉顶会上的学术论文，或者一个在天文摄影圈被叫惯了的小工具。这篇文章要聊的是后者，也就是那个让无数深空摄影爱好者直呼“真香”的去星点软件。它的用途很简单：把照片里的恒星一颗颗剥离掉，只留下星云和星际尘埃的微弱光晕。听起来好像没什么，但真正做深空后期的人都知道，星点是后期处理里最头疼的障碍，星云细节刚要拉出来，亮星周围的光晕和衍射芒先糊成一片。Starnet就是来解决这个问题的。
它适合谁？凡是拍深空天体的人，无论是用单反、冷冻相机还是黑白CCD，都会遇到星点与星云争夺动态范围的问题。初学者最容易被星点搞到崩溃，老手也在不断寻找更高效的星点分离方法。Starnet不需要复杂的手工蒙版，不需要一笔一笔修星点，输入一张图像，几秒钟后输出一张干净的无星图。这篇文章会从原理、安装、实操到避坑，把Starnet完整梳理一遍，希望能帮你少走点弯路。
1. Starnet是什么：天文后期里的去星点神器
1.1 深空摄影后期最头疼的事
拍深空天体，比如猎户座大星云、北美洲星云、仙女座星系，前期拍摄已经够辛苦了，后期处理时却要面对一个尴尬事实：星云往往很暗，而恒星往往很亮。做拉伸时，星点稍微一增强就爆成白色圆盘，周围还拖着衍射芒；好不容易把星云细节拉出来了，照片上的星点又显得又大又丑。为了平衡星点和星云的呈现，传统做法是给星点单独做蒙版，用蒙版把星点区域保护起来，再对背景星云进行拉伸和降噪。这一套操作依赖后期者的经验和耐心，一个蒙版画得不干净，处理完就留痕迹。
还有一个更麻烦的场景：当你想让星云呈现细腻的纤维状结构，或者想增强暗尘埃的层次，星点就成了“杂质”。比如窄带摄影中，RGB通道合成时三色星点对不齐会出现彩色十字星芒；又比如在广域星空照片里，密密麻麻的恒星会掩盖银河暗部的细节。去星点，或者说把星点从图像中暂时剥离，是这个领域绕不开的需求。
Starnet解决的就是这个问题。它和其他去星点方法的本质不同在于，它用神经网络来判断哪些像素属于恒星、哪些属于延展天体，而不是依靠人工规则。
1.2 一个用神经网络训练出来的“抠图师”
Starnet最初以命令行工具的形式发布，后来出现了图形界面版本StarNet++，本质上都依赖同一个卷积神经网络模型。它接收一张天文图像作为输入，输出对应的高通滤波结果，实际上就是“没有恒星的版本”。更准确地说，网络学到的是如何从混合信号里分离出“点状光源”，也就是恒星，以及它们周围的光学特征。
这个思路听起来有点像Photoshop里的高频分离，将图像拆成高频细节和低频背景。但Starnet并不是简单地把小尺度结构当作星点，而是在大量真实天文图像上训练出来的模型，对“恒星”有更智能的感知。它知道一颗恒星的典型亮度分布是什么，知道密集星场该怎么区分，也能在复杂背景中保留星云的丝状结构。
我在实际使用中的感受是：它对单颗星的识别非常干净，处理后的无星图基本看不到星点残留，星云本身的纹理也不会被误删。尤其是窄带图像，效果惊艳到有点夸张。
1.3 Starnet能干什么，不能干什么
先说能力边界，免得大家产生不切实际的期待。Starnet最擅长的是从曝光良好、无明显拖线的图像中分离出恒星。无论图片是单通道灰度还是RGB彩色，它都能工作，输出一张没有星点的图像。常见的用途包括：
- 深空星云增强：处理完无星图后，可以放心大胆拉伸暗部细节，不用怕星点过曝。
- 星点独立处理：把原图和去星图相减，得到一张纯星点图。之后可以单独缩小星点、降低星点亮度或者改变星点颜色，再和星云图合成。
- 宽场银河后期：在银河拱桥这类照片里，把星点拿掉，只对银河的星际尘埃做局部分层增强。
- 窄带合成处理：在Ha、OIII、SII通道上分别去星，然后再合成RGB窄带图，避免彩色星点错位的麻烦。
但它也有明显弱点：对过于密集的星场，比如球状星团中心，输出结果会出现一些不自然的空洞；对大星系的处理尤其需要小心，在低分辨率图像中，星系核心很容易被当作恒星一并删除；对有人造卫星轨迹、飞机拖线、彗星等非圆形运动的亮痕，它并不擅长清理；如果输入图像已经经过过度拉伸，动态范围被严重压缩，输出结果也容易出现伪影。
2. 原理解析：神经网络是怎么学会挑星点的
2.1 恒星和星云在图像特征上的本质区别
要从原理上理解Starnet，就需要先知道恒星和星云在图像特征上有什么不同。一颗恒星的像，在CCD或CMOS上通常表现为一个几像素到几十像素直径的高斯状光斑，周围可能还有衍射芒和星晕。它的特点是：小尺寸、高亮度、局部对称性强，整体轮廓近似一个点扩散函数。
星云则完全是另一回事。它是延展结构，覆盖范围从几十像素到整幅图像，往往亮度低、对比度低，有复杂的形状和渐变过渡。星系的情况比较特殊，它是一个既延展又有强烈核心的结构，形象地说，它是一个放大版的“恒星”。
噪声的特征也很明显：高频、随机、没有空间连续性。所以一张天文图像实际上由不同尺度、不同形态的信号叠加而成。传统图像算法想用固定阈值或者滤波窗口去区分这些信号，必然会在某些场景失效，比如亮星周围的晕圈会被当星云，密集的双星会被当背景纹理。
2.2 Starnet模型的训练逻辑
Starnet的模型结构没有官方论文写得那么复杂，本质上是一个端到端的卷积网络。它通过大量包含恒星和无恒星的对照图像来学习映射关系，让网络在推理时可以直接估计出输入图像中的恒星分量，并从原图中减去，得到无星图。
训练数据的获取是一个很有意思的地方。天文图像中纯无星的真值很难获得，常见做法是使用那些星点极少的深空空白区域图像、或者用算法合成的无星图像作为目标，再加上真实的恒星图像作为输入。模型经过大量这样的样本迭代，逐渐学会把图像分解成“恒星”和“非恒星”两个部分。
我用一个简单的类比帮助理解：Starnet就像一个从来没有见过“篮球”这个概念的人，你给他看了几千张有篮球的照片和没有篮球的照片，反复告诉他哪些是篮球、哪些不是，他最终学会只要看到形状、颜色、纹理符合篮球特征的区域就把它分离出来。Starnet就是这个“见过世面”的分球器，只不过它分的是恒星。
2.3 为什么它比传统算法更“懂”天文图像
传统去星点方法，比如PS里的“最小值滤镜”“中值滤波”“星点蒙版”，本质上都是假设恒星是图像中高频、小尺度的成分，星云是低频、大尺度的成分。但现实中星云的边缘细节也可能是高频的，暗星云的丝状结构尺度并不比星点大多少。于是很容易出现两种结果：要么星点没去干净，要么星云细节被一并抹除。
Starnet的卷积网络是通过大量天文图像学习出来的特征，它对“恒星”的判断不是基于一个固定尺寸，而是基于学习到的统计规律。因此在不同分辨率、不同视场、不同信噪比下，它都能保持较好的泛化能力。比如对一颗被星晕包围的亮星，传统算法会保留星晕，因为星晕尺度大；Starnet则会把整颗星连同星晕一起剥离，因为它学到的“恒星”概念包含这些附属特征。
当然，模型训练数据如果偏重于某一类望远镜和相机的成像特征，那在其他设备上使用时效果也会打折。这也是为什么有人用Starnet效果很好、有人却觉得输出图像有奇怪伪影的原因之一。
3. 实操流程：从下载到跑通第一张图
3.1 该选哪个版本：StarNet++还是命令行版
如果你只是处理几张照片，我建议直接用StarNet++图形界面版。它不需要安装Python环境，解压后双击就能运行，选择图片、点击运行、等待输出即可。命令行版StarNet则适合批量处理大量文件，或者想在脚本中集成自动化流程的人。
命令行版通常在Linux服务器上跑得比较顺手，有NVIDIA GPU的话速度会快很多。如果只是普通Windows电脑，StarNet++在CPU上也能跑，只是时间稍长。以一张约4000万像素的图片为例，CPU推理可能需要一两分钟，GPU则往往几秒到十几秒。
我个人的建议是：先把StarNet++跑通，理解它的输入输出逻辑，再决定是否需要进一步折腾命令行版。很多人一开始图省事直接上命令行，结果被环境配置劝退，反而浪费了更多时间。
3.2 文件格式与准备工作
Starnet支持常见的TIFF、PNG、JPG格式，但为了最好的效果，输入图像最好满足两个条件。
第一，图像尽量是线性的。所谓线性，就是还没有经过对数拉伸或非线性曲线调整的原始数据，通常是校准后、DBE之前的TIFF文件。如果用的是PixInsight，可以输出一个未拉伸的32位浮点TIFF；如果用的是Siril，可以输出16位整数TIFF。Starnet对线性图像的处理最自然，因为网络训练时主要接触的是类线性数据。
第二，图像的动态范围要完整。不要先斩断了暗部或亮部再做去星，否则神经网络会“看不懂”某些区域，输出黑斑或者伪影。如果图像本身已经拉伸过，比如用Photoshop调过色阶，再用Starnet时效果会明显下降。
另外有个小建议：处理前先复制一份原始文件。一旦Starnet的输出不理想，你还能回到干净的原图重新调整流程。
3.3 Starnet使用步骤详解
以StarNet++为例，完整流程可以分为这几步：
- 打开StarNet++软件，在主界面上点击“Select Image”，选择准备好的TIFF或PNG文件。
- 设置输出文件路径，默认会在原文件同目录下生成带“_starless”后缀的新文件。
- 点击“Run”，等待进度条跑完，输出无星图。
- 将无星图导入后期软件，与原始图像做进一步合成。
如果你后续想做星点增强，那么还需要把原图和去星图相减，得到星点图。在PixInsight里可以用PixelMath来实现，表达式是original - starless，注意两边尺寸必须一致。得到星点图后，就可以对这个图层单独做锐化、缩星、调色，再与原图重新合成。
使用命令行的方式也类似，核心命令通常长这样：
./starnet --input original.tif --output starless.tif具体参数因版本而异，建议先跑一下帮助命令看看支持的选项。
3.4 在PixInsight和Siril里调用Starnet
不少处理软件提供了对Starnet的支持。PixInsight中，如果安装了StarNet插件，可以在Process菜单里直接找到StarNet进程，输入图像后一键生成无星图。Siril同样支持通过脚本调用外部Starnet命令，在脚本配置中填好可执行文件路径即可。
这里要特别提醒：PixInsight里的StarNet插件与独立版StarNet++使用的是相同的模型，但内存管理机制略有不同。如果图片很大，建议先对图像做裁剪或者分块处理，否则可能出现内存溢出。Siril调用外部命令时，要确认输入输出路径中没有中文或特殊字符，否则Windows环境下容易报错。
4. 核心技巧：如何把Starnet融入完整后期工作流
4.1 在窄带合成中省掉“对齐星点”的烦恼
窄带摄影是一个很典型的场景。Ha、OIII、SII三个通道分别曝光，各自校准后需要合成彩色图像。由于三个通道拍摄时间不同，大气折射、视场旋转等因素会导致星点位置发生微小的偏移，合成时星点就会变成彩色的十字或者鬼影。传统办法是做星点对齐，但通道间的畸变不一定能完全纠正。
我的做法是：先把三个通道分别交给Starnet去星，得到三个无星通道，然后对无星通道做对齐和合成，这一步不用太在意星点位置；最后把原图的总星点图合回去。由于无星通道里没有星点，即使对齐稍有误差，合成的星云部分也不会出现彩色边缘。星点图只用一份，不会产生彩色错位。
4.2 用Starnet保护星系，需配合蒙版使用
星系处理是我踩过坑最多的地方。像M31、M33、M101这一类星系，它们有明亮的星系核和旋臂，在低信噪比的情况下，星系核在Starnet眼中很像一颗大恒星，容易被误删。M31刚跑完Starnet时，星系中央的尘埃带和核区被挖掉了一大块，我当时第一反应是模型出了问题。
后来摸索出来的解决方案是：在运行Starnet之前，先做一个星系区域的保护蒙版。也就是用椭圆选区把星系主体圈出来，在蒙版上涂成黑色，然后在PixInsight的StarNet进程里启用蒙版支持，让网络跳过该区域。如果使用的StarNet++没有蒙版选项，就只能在处理后再用原图把星系区域贴回来，配合羽化边缘消除接缝。
4.3 星点重建技术：把缩星做得像原生一样自然
很多人用Starnet只是为了生成无星图，但资深后期师往往更看重另一条路径：把原图分解成星云图和星点图之后，对两层分别调整再重新合成。这种操作的威力在于，可以改变星点的视觉权重，而不牺牲星云细节。
典型的合成思路是这样：将星点图做一次高斯模糊或缩小星点尺寸，再与原图的星云部分合成。具体在PixInsight里，可以用PixelMath把星点图乘以一个小于1的系数，再加回无星图。例如将星点亮度降到60%，同时把星云亮度提高到120%，最终画面就会呈现一种“星点细腻、星云丰富”的效果，这正是商业大片常见的风格。
如果反过来想，还可以利用Starnet增强星点：用原图减去无星图得到星点图后，对星点图做锐化，再合成回去，能让整幅画面显得更通透。
4.4 处理彩色图像时避免色彩断裂
Starnet对RGB彩色图的支持也不错，但彩色图像有一个潜在问题：如果RGB三个通道的信噪比差异大，去星后颜色可能会出现奇怪的偏色。比如一张照片中红色通道包含了很强的Ha发射，而蓝色通道只有很少的发射，去星后星云的红色细节会偏淡。
为了保持色彩平衡，我通常会把图像先转换到Lab色彩空间，单独对明度通道做Starnet去星，再把色度通道原样合并回去。这样既能去星，又不会改变彩色信息，处理速度更快。这个方法在图像明显偏红或者偏暗时尤其好用。
5. 常见问题与排查技巧
5.1 输出图像出现大片黑色区域或者麻点
这种情况多半是输入图像的动态范围有问题。如果你把已经做过自动拉伸、或者经过“色阶”处理后的JPEG直接输入，Starnet的神经网络会被夸张的对比度误导，把它认为不合理的区域抹黑。解决办法是回到线性TIFF，重新校准后再处理。
还有可能是图像有大量的热像素或者坏点，它们在网络眼里像恒星，但形态又不太正常，输出时就会表现为一个个黑色小坑。建议提前做好暗场校准，或者用Cosmetic Correction清理热像素后再去星。
5.2 Starnet把星系核心“吃掉”了
这个问题的处理思路前面已经说过，核心就是蒙版保护。如果用的StarNet++没有蒙版选项，可以给图像降采样后运行，再贴回原区域。还有一种情况是星系很小，比如在广域图中只有几十像素大小，这时它和恒星确实没有本质区别，强行保护反而没必要。
遇到这种情况，我更倾向于用去星后的图做背景增强，然后从另一张专门处理的星系图上叠加星系区域，二者结合。
5.3 输出图像分辨率变化或者尺寸不匹配
Starnet在推理时会对图像做填充处理，有时输出尺寸会和输入略有差异，尤其是奇数尺寸的图片。如果发现输出图和原图尺寸不一致，直接用PixelMath相减会报错。可以在处理前先把图像尺寸调整成偶数，或者用Image Resize把两张图对齐。
类似的，有些版本的Starnet要求输入为灰度图，彩色图片会被自动转为灰度，导致输出丢掉颜色。使用前建议查看说明文档，确认当前版本是否支持RGB输入。
5.4 CPU运行速度太慢，有没有办法提速
如果手头没有NVIDIA GPU，运行一张几千万像素的图像确实要等好几分钟。有一个折中办法：适当缩小图像后去星，再把得到的结果放大回来。因为Starnet对分辨率的变化并不敏感，小图去星速度更快，星云结构也能保留得不错。当然，如果图像细节本来就很多，过度的降采样会损失信息。
你也可以考虑把大图切分成多个小块分别处理，最后再用无缝拼接合并。分块处理还有一个额外好处：减少内存占用，适合老机器。
6. 几点个人心得和扩展想法
用Starnet已经有几年了，从最初的好奇到后来把它当成常规工具，最大的感受是：它改变了我对后期处理的习惯。以前缩星是一道需要小心翼翼操作的工序，现在只需要几步就能完成，而且效果比手工缩星更稳定。
不过我也想提醒大家，不要太依赖这个工具。Starnet不是万能的，它擅长的是在合理曝光、正常信噪比条件下分离恒星，如果你的原始图像本身有严重的拉线、过度裁切、或者诡异的色彩校准问题，去星之后这些问题会被放大，并不会因为“去星”而消失。遇到这种情况，先回到原始数据处理流程中去修根因，比硬撑着去星要有效的多。
最后分享一个我很喜欢的小技巧：在处理双窄带或窄带图像时，我常常会先用Starnet把星点去掉，发现原本被亮星掩盖的暗星云细节就完全浮现出来了，这时我会针对这块区域做局部的暗部提亮和纹理增强，最后再把星点合回来。这种做法的效果非常直观，银河里的暗分子云会呈现出一种特别的立体感，也是很多人追求的那种“深邃”效果。希望大家都能用好这个工具，去享受后期处理中那些藏在星光背后的惊喜。
