Bilder zum KI-Entrauscher beitragen

Ansel liefert einen neuronalen RAW-Entrauscher (das Modul rawdenoiseai), der sich von universellen KI-Entrauschern unterscheidet: Er wird auf nicht demosaicten Sensordaten trainiert, so nah an der tatsächlichen Sensorauslesung, wie eine RAW-Datei es zulässt, und er läuft an genau demselben Punkt der Pipeline – vor Weißabgleich, Korrektur der chromatischen Aberration und Entrasterung –, sodass jede nachgelagerte Stufe saubere Daten erbt. Ein einziger Satz von Gewichten deckt jede Kamera ab, für die Ansel ein Rauschprofil hat, Bayer und X-Trans gleichermaßen.

Was seine Qualität begrenzt, ist der Trainingskorpus: eine öffentliche Sammlung sauberer RAW-Kacheln bei Basis-ISO, die das Training synthetisch mit Rauschen verfälscht, berechnet exakt aus Ansels gemessenen Kamera-Rauschprofilen. Mehr Szenen, mehr Texturen und mehr Kameramodelle übersetzen sich direkt in einen besseren Entrauscher für alle – und genau hier können Sie helfen, in etwa zehn Minuten, ohne irgendetwas über maschinelles Lernen oder git zu wissen.

Die gesamte Pipeline ist geskriptet; Ihre einzige eigentliche Arbeit ist die Auswahl der Bilder. Technische Vertiefungen finden sich im ansel-denoise-Repository  (Trainingscode, Netzwerkarchitektur , Design-Dokumentation ).

Was Ihren Rechner verlässt – lesen Sie dies zuerst

Ihre Fotografien werden nicht hochgeladen. Ein Harvester decodiert jede ausgewählte RAW-Datei lokal und extrahiert bis zu 16 Kacheln von 256×256 rohen Sensorpixeln (Mosaikdaten, vor dem Entrasterung), gepackt mit den Sensor-Kalibrierungsdaten (CFA-Layout, Schwarz-/Weißpegel – Weißabgleichskoeffizienten werden als Metadaten aufgezeichnet, aber nie angewendet), dem Kameramodell, der ISO und dem reinen Dateinamen. Fragmente enthalten keine GPS-Koordinaten, keine Zeitstempel, keine Seriennummern, keine Autoren-Metadaten und keine Dateipfade von Ihrem Rechner.

Lizenz: auf das Entrauscher-Training beschränkt

Sie behalten das Urheberrecht an Ihren Fotografien. Beigetragene Kacheln werden unter der Ansel Training Data License  (ATDL-1.1) veröffentlicht. Was sie erlaubt: Jeder darf die Kacheln mit dem ansel-denoise-Trainings-Stack (GPL-3.0) verwenden, um den Ansel-Entrauscher zu auditieren, zu überprüfen, zu reproduzieren und zu benchmarken – wissenschaftliche und akademische Nutzung ist willkommen – oder um eigene Entrauschungsmodelle zu trainieren, deren Gewichte ohne Einschränkung ihnen gehören, auch in anderen quelloffenen oder kommerziellen Anwendungen. Die klare Grenze ist, was der Trainings-Stack lernen kann: Die Kacheln dürfen niemals einen Stack speisen, der etwas anderes lernen kann als die Trennung von Rauschen und Signal – das Erlernen von „Stil" und generative KI sind ausdrücklich verboten, ebenso wie die Weiterverbreitung des Datensatzes und das Identifizieren abgebildeter Personen oder Orte. Sie können jederzeit die Entfernung beantragen, indem Sie ein Issue eröffnen: Ihre Fragmente werden aus dem Korpus gelöscht und von allen zukünftigen Trainings ausgeschlossen.

Jeder Beitrag wird in einem öffentlichen Register  festgehalten – wer was, wann und von wo beigetragen hat –, sodass die Herkunft des gesamten Korpus für immer nachprüfbar ist.

Was ein gutes Kandidatenbild ausmacht

Der Harvester will ein sauberes Signal – das Rauschen wird später synthetisch hinzugefügt, es darf also nicht bereits in Ihren Dateien vorhanden sein.

Gut:

• Basis-ISO (ISO ≤ 200 wird erzwungen; ISO 64–100 ist noch besser), korrekt belichtet oder leicht hell – Schatten tragen selbst bei Basis-ISO Rauschen, Lichter sind sauber.
• Scharf und texturiert: Laub, Stoff, Haare, Kies, Ziegel, Gras – feine Details sind genau das, was das Netzwerk zu erhalten lernen muss.
• Vielfältige Inhalte: Landschaften, Architektur, Stillleben, Makro …
• Seltene Kameras: alles jenseits der üblichen Vollformat-Gehäuse von Canon/Nikon/Sony ist überproportional wertvoll – Fuji X-Trans, Olympus/OM, Pentax, Kompaktkameras, Telefone, die DNG aufnehmen, alte CCD-Gehäuse. Wenn Ihre Ausrüstung ungewöhnlich ist, zählt Ihr Beitrag doppelt.

Nicht nützlich (der Harvester weist die meisten davon von selbst zurück): Bilder mit hoher ISO, unterbelichtete oder verwackelte Bilder; Nachtaufnahmen mit Langzeitbelichtung (Hot Pixels sind nicht „sauber"); Serienaufnahmen und Beinahe-Duplikate – wählen Sie eines aus; flache Aufnahmen (klarer Himmel, Wände, unscharfe Hintergründe).

Mengenrichtlinie: bis zu ~1000 RAW-Bilder pro Person. Der Korpus braucht Vielfalt an Inhalten und Kameras, keine Masse – tausend Bilder von einem Fotografen teilen bereits ein Auge, eine Ausrüstungstasche und eine Bearbeitungsgewohnheit. Fünfzig abwechslungsreiche, scharfe Basis-ISO-Bilder schlagen fünfhundert Beinahe-Duplikate.

Wie Sie beitragen, Schritt für Schritt

Voraussetzungen: Linux, macOS oder Windows, Python ≥ 3.10, eine Ansel-Bibliothek, etwa zehn Minuten. Kameras mit Monochrom-Sensor (Leica M Monochrom, Pentax Monochrome) sind nicht verwendbar – das Netzwerk benötigt ein Farbmosaik. Jeder Schritt zeigt zuerst den Linux/macOS-Befehl, dann den Windows-Befehl.

0. Werkzeuge installieren

a. Linux-Variante

Ein Skript, installiert die beiden Python-Abhängigkeiten (numpy, rawpy) (Hinweis: kopieren und führen Sie jeweils eine Zeile aus):

1git clone https://github.com/aurelienpierreeng/ansel-denoise.git
2cd ansel-denoise
3sh scripts/setup_contributor.sh

b. Windows-Variante

Unter Windows, in PowerShell, aus dem Ordner, in dem Sie die Werkzeuge haben möchten (z. B. cd $HOME\Documents) – kein git nötig, das Skript lädt das Repository als ZIP für Sie herunter (Hinweis: kopieren und führen Sie jeweils eine Zeile aus):

1Invoke-WebRequest https://raw.githubusercontent.com/aurelienpierreeng/ansel-denoise/master/scripts/setup_contributor.ps1 -OutFile setup_contributor.ps1
2powershell -ExecutionPolicy Bypass -File setup_contributor.ps1
3cd ansel-denoise

1. In Ansel kuratieren.

Wählen Sie auf dem Leuchttisch die Bilder aus, aus denen Sie öffentliche Kacheln erstellen möchten (filtern Sie nach ISO, um schnell zu sein, Ctrl+A, um alle auszuwählen), dann Menü Datei ▸ Bildliste exportieren …, wählen Sie Exportieren ▸ Bilddateinamen, klicken Sie dann auf Als Datei speichern … und behalten Sie den vorgeschlagenen Namen ansel-image-files.txt bei.

2. Ernten.

Filtert nach ISO, decodiert jede Datei in einem absturzisolierten Prozess, schreibt die Fragmente. Ihre Ansel-Bibliothek wird, sofern vorhanden, nur lesend genutzt, ist aber nicht erforderlich – Kamera und ISO werden andernfalls aus den Dateien selbst gelesen. Es wird noch nichts hochgeladen.

a. Linux-Variante

1python3 -m ansel_denoise.harvest_library --paths-file ansel-image-files.txt --out shards/mine

b. Windows-Variante

Unter Windows (py kommt mit Python; Ihre Ansel-Bibliothek wird automatisch unter %LOCALAPPDATA%\ansel gefunden – speichern Sie die exportierte ansel-image-files.txt zuerst in den Ordner ansel-denoise oder geben Sie ihren vollständigen Pfad an):

1py -m ansel_denoise.harvest_library --paths-file ansel-image-files.txt --out shards\mine

3. Packen.

Validiert jedes Fragment, versieht sie mit Ihrem Handle als Präfix, schreibt ein Manifest mit Prüfsummen und Ihrer Lizenzerteilung, bündelt den Lizenztext mit den Daten, erzeugt einen Tarball.

a. Linux-Variante

1python3 scripts/pack_contribution.py shards/mine --handle your-github-name

b. Windows-Variante

1py scripts\pack_contribution.py shards\mine --handle your-github-name

4. Hochladen

Laden Sie die ausgegebene .tar.gz zu einem beliebigen Filehoster hoch, von dem der Maintainer herunterladen kann – Google Drive, Dropbox, WeTransfer, Proton Drive, Ihr eigener Server – und kopieren Sie den Download-Link.

5. Hochladen und ein Issue eröffnen

Legen Sie die .tar.gz, die Schritt 4 ausgegeben hat, auf einen beliebigen Filehoster, der einen direkten Download-Link bietet – Google Drive, Dropbox, WeTransfer, Proton Drive, Ihr eigener Server –, öffnen Sie dann ein Issue zum Fragment-Beitrag  und fügen Sie den Link ein. Das Formular bittet Sie außerdem, die Lizenzerteilung zu bestätigen.

Das ist die gesamte Einreichung – kein git, keine GitHub-CLI, nichts zu installieren über das hinaus, was Schritt 0 eingerichtet hat, und dasselbe unter Linux, macOS und Windows. Der Maintainer lädt Ihr Bundle herunter, verifiziert es und führt es in den Korpus ein. Sie können shards/mine und das Bundle anschließend löschen.

Was als Nächstes geschieht

Der Maintainer prüft Ihren Pull Request, dann lädt ein Sammelskript Ihr Bundle herunter, verifiziert jede Prüfsumme, validiert jedes Fragment erneut (Fragmente werden so geladen, dass ein Bundle keinen Code ausführen kann), führt die neuen Kacheln in den Korpus ein und hält den Beitrag im öffentlichen Register fest. Ihre Kacheln fahren beim nächsten Training mit – und Ihre Kamera verdient sich ihren Platz im Änderungsprotokoll der nächsten Modellversion.

Sie können das Modell auch selbst trainieren – auf Ihrem eigenen Rechner oder in einem kostenlosen GPU-Kontingent – mit einem einzigen Notebook , das lokal, auf Google Colab und auf Kaggle läuft: Das ist genau das „Reproduzieren des Trainings-Workflows", das die Datenlizenz schützt.