Contribuye imágenes al reductor de ruido por IA

Ansel incluye un reductor de ruido raw neuronal (el módulo rawdenoiseai) que no se parece a los reductores de ruido por IA de propósito general: está entrenado con datos del sensor sin desmosaicar, tan cerca de la lectura real del sensor como lo permite un archivo raw, y se ejecuta exactamente en el mismo punto del pipeline — antes del balance de blancos, la corrección de aberración cromática y el interpolación cromática — de modo que cada etapa posterior hereda datos limpios. Un único conjunto de pesos cubre cada cámara para la que Ansel tiene un perfil de ruido, tanto Bayer como X-Trans.

Lo que limita su calidad es el corpus de entrenamiento: una colección pública de teselas raw limpias a ISO base que el entrenamiento corrompe sintéticamente con ruido, calculado exactamente a partir de los perfiles de ruido de cámara medidos por Ansel. Más escenas, más texturas y más modelos de cámara se traducen directamente en un mejor reductor de ruido para todo el mundo — y aquí es donde puedes ayudar, en unos diez minutos, sin saber nada de aprendizaje automático ni de git.

Todo el pipeline está automatizado con scripts; tu único trabajo real es elegir las imágenes. Los análisis técnicos en profundidad están en el repositorio ansel-denoise  (código de entrenamiento, arquitectura de la red , documentación de diseño ).

Qué sale de tu máquina — lee esto primero

Tus fotografías no se suben. Un recolector decodifica cada archivo raw seleccionado localmente y extrae hasta 16 teselas de 256×256 píxeles raw del sensor (datos de mosaico, antes del interpolación cromática), empaquetados con los datos de calibración del sensor (disposición de la CFA, niveles de negro/blanco — los coeficientes de balance de blancos se registran como metadatos pero nunca se aplican), el modelo de cámara, el ISO y el simple nombre de archivo. Los fragmentos no contienen ninguna coordenada GPS, ninguna marca de tiempo, ningún número de serie, ningún metadato de autor y ninguna ruta de archivo de tu máquina.

Licencia: restringida al entrenamiento del reductor de ruido

Conservas los derechos de autor sobre tus fotografías. Las teselas contribuidas se publican bajo la Licencia de Datos de Entrenamiento de Ansel  (ATDL-1.1). Lo que permite: cualquiera puede usar las teselas con el stack de entrenamiento de ansel-denoise (GPL-3.0) para auditar, revisar, reproducir y comparar el reductor de ruido de Ansel — el uso científico y académico es bienvenido — o para entrenar sus propios modelos de reducción de ruido, cuyos pesos son suyos sin restricción, incluso en otras aplicaciones de código abierto o comerciales. La línea roja es lo que el stack de entrenamiento puede aprender: las teselas nunca deben alimentar un stack capaz de aprender cualquier otra cosa que no sea separar el ruido de la señal — el aprendizaje de “estilo” y la IA generativa están explícitamente prohibidos, al igual que la redistribución del conjunto de datos y la identificación de las personas o los lugares representados. Puedes solicitar la eliminación en cualquier momento abriendo una incidencia: tus fragmentos se eliminan del corpus y se excluyen de todos los entrenamientos futuros.

Cada contribución queda registrada en un registro público  — quién contribuyó qué, cuándo y desde dónde — de modo que la procedencia de todo el corpus es auditable, para siempre.

Qué hace que una imagen sea una buena candidata

El recolector quiere señal limpia — el ruido se añade sintéticamente después, así que no debe estar ya en tus archivos.

Bien:

• ISO base (se exige ISO ≤ 200; ISO 64–100 es aún mejor), correctamente expuesta o ligeramente clara — las sombras arrastran ruido incluso a ISO base, las luces están limpias.
• Nítida y con textura: follaje, tela, cabello, grava, ladrillo, hierba — el detalle fino es exactamente lo que la red debe aprender a preservar.
• Contenido diverso: paisajes, arquitectura, bodegones, macro…
• Cámaras raras: cualquier cosa más allá de los habituales cuerpos full-frame de Canon/Nikon/Sony es desproporcionadamente valiosa — Fuji X-Trans, Olympus/OM, Pentax, compactas, teléfonos que disparan en DNG, viejos cuerpos con sensor CCD. Si tu equipo es inusual, tu contribución cuenta doble.

No útil (el recolector rechaza la mayoría de estas por sí solo): imágenes de ISO alto, subexpuestas o borrosas; tomas nocturnas de larga exposición (los píxeles calientes no son “limpios”); ráfagas y casi duplicados — elige una; fotogramas planos (cielos despejados, paredes, fondos desenfocados).

Política de volumen: hasta ~1000 imágenes raw por persona. El corpus necesita variabilidad de contenido y de cámaras, no cantidad — mil imágenes de un solo fotógrafo ya comparten un mismo ojo, una misma bolsa de equipo y un mismo hábito de procesado. Cincuenta imágenes variadas, nítidas y a ISO base superan a quinientos casi duplicados.

Cómo contribuir, paso a paso

Requisitos: Linux, macOS o Windows, Python ≥ 3.10, una biblioteca de Ansel, unos diez minutos. Las cámaras de sensor monocromo (Leica M Monochrom, Pentax Monochrome) no son utilizables — la red necesita un mosaico de color. Cada paso muestra primero el comando de Linux/macOS y luego el de Windows.

0. Instala las herramientas

a. Variante Linux

Un solo script, instala las dos dependencias de Python (numpy, rawpy) (nota: copia y ejecuta una línea a la vez):

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

b. Variante Windows

En Windows, en PowerShell, desde la carpeta donde quieres las herramientas (p. ej. cd $HOME\Documents) — no se necesita git, el script descarga el repositorio como un ZIP por ti (nota: copia y ejecuta una línea a la vez):

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. Selecciona en Ansel.

En la mesa de luz, selecciona las imágenes de las que estés dispuesto a hacer teselas públicas (filtra por ISO para ir rápido, Ctrl+A para seleccionar todas), luego menú Archivo ▸ Exportar lista de imágenes…, selecciona Exportar ▸ Nombres de archivo de imagen, luego haz clic en Guardar como archivo… y conserva el nombre propuesto ansel-image-files.txt.

2. Recolecta.

Filtra por ISO, decodifica cada archivo en un proceso aislado ante fallos, escribe los fragmentos. Tu biblioteca de Ansel se usa en modo de solo lectura cuando está presente, pero no es obligatoria — de lo contrario, la cámara y el ISO se leen de los propios archivos. Todavía no se sube nada.

a. Variante Linux

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

b. Variante Windows

En Windows (py viene con Python; tu biblioteca de Ansel se encuentra automáticamente en %LOCALAPPDATA%\ansel — guarda primero el ansel-image-files.txt exportado en la carpeta ansel-denoise, o indica su ruta completa):

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

3. Empaqueta.

Valida cada fragmento, los prefija con tu identificador, escribe un manifiesto con sumas de comprobación y tu concesión de licencia, agrupa el texto de la licencia con los datos, produce un único tarball.

a. Variante Linux

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

b. Variante Windows

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

4. Sube

Sube el .tar.gz impreso a cualquier alojamiento de archivos desde el que el mantenedor pueda descargar — Google Drive, Dropbox, WeTransfer, Proton Drive, tu propio servidor — y copia el enlace de descarga.

5. Sube y abre una incidencia

Pon el .tar.gz que imprimió el paso 4 en cualquier alojamiento de archivos que dé un enlace de descarga directo — Google Drive, Dropbox, WeTransfer, Proton Drive, tu propio servidor — luego abre una incidencia de contribución de fragmentos  y pega el enlace. El formulario también te pide que confirmes la concesión de licencia.

Eso es todo el envío — sin git, sin la CLI de GitHub, nada que instalar más allá de lo que configuró el paso 0, y lo mismo en Linux, macOS y Windows. El mantenedor descarga tu paquete, lo verifica y lo fusiona en el corpus. Después puedes borrar shards/mine y el paquete.

Qué pasa a continuación

El mantenedor revisa tu pull request, luego un script de recopilación descarga tu paquete, verifica cada suma de comprobación, revalida cada fragmento (los fragmentos se cargan de modo que un paquete no pueda ejecutar código), fusiona las nuevas teselas en el corpus y registra la contribución en el registro público. Tus teselas viajan en el siguiente entrenamiento — y tu cámara se gana su lugar en el registro de cambios de la próxima versión del modelo.

También puedes entrenar el modelo tú mismo — en tu propia máquina o en un nivel de GPU gratuito — con un único notebook  que se ejecuta localmente, en Google Colab y en Kaggle: eso es precisamente la “reproducción del flujo de trabajo de entrenamiento” que protege la licencia de datos.