如果你搜 starnet 这个词，八成和我当初一样，是在处理银河照片时被密密麻麻的星点搞得头大。拍的时候星点是画面里的钻石，可一旦进入后期，它们瞬间变成麻烦：银河核心的暗尘埃被星点糊成一片，拉伸之后星点边缘又带着难看的晕圈，降噪算法还总是把星点周围一起磨平。StarNet 这个开源项目解决的正是这个核心问题——把星点从画面里分离出去，留下干净的"无星背景图"。这篇文章不打算复述官方文档，而是把我自己在 Windows 上从 v1 用到 StarNet++ 的经验、踩过的坑，以及比多数教程更细的实操流程一次性整理出来，给同样正在找去星方案的朋友参考。

1. 为什么我建议天文后期先做"星点分离"

1.1 星点太多会毁掉银河的层次感

先说说我在哪一步被逼到去找 StarNet 的。之前处理一张夏季银河的拱桥素材，单张曝光 90 秒，叠加后信噪比其实还行，但我在用曲线把银河核心的暗尘埃拉出来时发现，画面里密集的星点就像一层"马赛克"，把银河内部的气体结构完全糊住了。更麻烦的是，星点过曝之后边缘会形成一圈圈不规则的光晕，这些光晕在拉伸时最先饱和，变成一块块难看的白色斑。我试过手动修，用蒙版把亮星一个个涂掉，可银河拱桥里几十颗亮星还好办，暗弱的小星是几千颗，根本涂不完。

后来我意识到，这不是技术不够的问题，是思路不对。银河照片的后期不应该在"有星画面"上直接做全局拉伸，而应该先把星点和背景分开，各调各的。星点分离之后，背景图里的银河核心没有星点干扰，你可以放心地拉高暗部、增强反差，甚至做深度的降噪处理，都不会影响到星点的形状。等背景调好，再把星点叠回去，得到的效果比以往任何蒙版方案都干净。

1.2 去星不等于删星：工作流的核心思路

很多刚接触 StarNet 的朋友会有一个误解，以为去星就是把照片里的星星彻底删掉。不是的。StarNet 真正的输出是两张图：一张"无星背景图"，一张"纯星点图"。后者是通过原图减去无星图得到的差值，里面保留了几乎所有星点的位置、亮度和颜色信息。这样你的工作流就变成了：先处理背景，再单独处理星点，最后把两者合成。这种思路和磨皮里"频率分离"很像，只不过换了一个专业场景。

从操作上来说，你不需要记住太复杂的公式。你只需要知道：在处理银河、星云、暗物质区域的任何一张图时，第一步先跑 StarNet 得到无星图层，第二步在无星图层上完成 80% 的调色和降噪，第三步在合成阶段把星点图层以"亮光"或"线性减淡"模式叠回去。整个过程不删除任何信息，也不破坏原始像素，随时可以回到任意一步重新调整。

1.3 适合用 StarNet 的场景和不适合的场景

从我实际使用的情况看，StarNet 适合这几类用途：银河拱桥的接片后期、深空天体（比如 M31、M42）的亮部细节处理、城市周边光害比较重但内容仍需保留的星野摄影，以及需要把单张素材快速做成延时摄影素材的批量处理。在这些场景里，去星之后你能明显感觉到画面"变干净了"，很多以前被星点盖住的云气会浮出来。

不适合的场景也有。纯星轨摄影不需要去星，因为星点的运动轨迹本来就是你想要的。日落后蓝调时刻带地景的照片，如果地景里有很多灯光，StarNet 偶尔会把灯光也识别成星点，虽然可以手动清理，但花费的时间比收益多。还有一个情况：如果你拍摄的是月面、行星特写，那完全用不到这个工具，它针对的是星空中的点状光源。

2. StarNet 从 v1 到 StarNet++：搞懂版本再动手

2.1 神经网络到底做了什么：一个容易理解的拆解

StarNet 的核心是一个基于深度学习的语义分割模型。你可以把它理解成一个非常聪明的修图师，它看过几万张叠加后的深空图片，见过各种形状的星点、各种暗弱的背景云气，所以在面对一张新图时，它能判断出哪些像素属于"星点"，哪些像素属于"背景"。这个判断不是靠像素亮度一票决定，而是看局部纹理结构：星点通常有近似高斯分布的亮度轮廓和明显的边缘过渡，而银河暗尘埃、星云气体的亮度变化更加连续、不均匀。

在工程实现上，它采用 U-Net 结构的卷积神经网络。前半部分通过下采样不断缩小图像尺寸，提取从细到粗的特征；后半部分通过上采样逐步恢复图像分辨率，同时把前半部分同尺寸的特征拼接进来，保证星点的位置和形状不被丢失。最终输出是一张和输入尺寸相同的"无星图"。因为模型是在大量真实天文图像上训练出来的，所以它并不只是简单地把亮斑抹掉，而是会尽量补全星点背后的背景信息。这也是为什么效果比"中值滤波去星"或"最小滤镜去星"好一大截的原因。

2.2 各版本之间的差异对照

StarNet 这个开源系列在圈子里流传比较广的其实是几个不同阶段的作品。大家最常说的"StarNet v1"，是一个相对早期的版本，它已经能做到基本的星点移除，但面对密集星场和过曝核心时会出现明显的残留，边缘也容易产生伪影。后来社区里的开发者对网络结构做了加深和改进，推出了 v2 版本，去星更干净，对暗弱星点的保留也更好。再到后来大家用得更多的 StarNet++，进一步优化了过曝星点、衍射星芒和渐变背景的处理，还提供了独立的 Photoshop 插件和批处理工具，对普通摄影爱好者更友好。

我整理一个简单的对比表，方便你根据手上的素材情况快速决定用哪个版本：

如果你只是处理单张星野照片，用 StarNet++ 就够了；如果你喜欢自己控制参数、做大量批量处理，可能会选择 v2 脚本方案。我的建议是不要纠结版本号，先用 StarNet++ 把流程跑通，再回头研究底层也不迟。

2.3 我为什么最终选择开源方案

天文后期圈里有几个商业去星插件，效果确实也不错，运行速度也快。但我最终把主流程固定在 StarNet 系开源工具上，原因有三。一是免费且可离线使用，我处理素材时不需要联网把照片传给第三方服务器，这对高分辨率原图来说很重要；二是可定制性，开源模型可以直接调用底层，我遇到过几次默认参数不理想的情况，通过调整预处理和后处理脚本解决了，商业工具很难给你这个自由度；三是社区更新活跃，模型的改进方向会随着使用者反馈持续优化，而不是停留在某个固定版本。

当然，开源方案也有代价：安装配置最麻烦，跨平台支持参差不齐，遇到问题你得自己查资料解决。但如果你愿意花半小时把环境理顺，它带来的长期收益是很值的。

3. 在 Photoshop 里跑通整套去星流程

3.1 安装前置环境：TensorFlow 是最容易出错的环节

先说最劝退的一步：环境依赖。StarNet 系工具的底层通常依赖 TensorFlow，而 TensorFlow 和显卡驱动、CUDA、cuDNN 之间的版本匹配非常敏感。我之前在一台旧笔记本上装的时候，就因为 CUDA 版本不对，启动后直接报 dll 缺失，折腾了一晚上才解决。后来我总结出一套相对稳妥的做法：如果你只是想用 PS 插件版，优先去项目发布页找打包好的完整安装包，这类包通常把依赖一起打进去了，不用你自己配 Python；如果你需要命令行版本或者自定义调用，建议用 Anaconda 建一个虚拟环境，Python 版本按照项目 README 里的要求严格指定，不要顺手装最新版。

在 Windows 上跑的时候，安装完成后先在 PS 的滤镜菜单里找一下有没有 StarNet++ 的入口，如果没有，检查插件目录是否正确放入了 .dll 或 .plugin 文件。这个步骤看着简单，但很多人卡在这里。Mac 和 Linux 用户的路子不太一样，通常是通过命令行调用 Python 模型，先在终端里测试单张图片跑通，再写脚本批量处理。

3.2 第一次调用：参数界面其实只有两个关键选项

当你成功在 PS 滤镜菜单里点开 StarNet++ 时，会发现界面比想象中简洁。在我用的这个版本里，核心选项有两个：一个是选择输入图层，通常默认"当前可见图层"就行；另一个是处理模式，一般有"单张预览"和"批量文件夹"两类。剩下的大部分按钮属于进阶设置，新手阶段只需要保持默认。

我第一次跑的时候犯了个错误：直接把一张 6100 万像素的 RAW 转 TIFF 原图丢进去，结果等了将近二十分钟还没跑完，内存占用飙到 90% 以上。后来我学乖了，先在 PS 里把图像缩小到 50% 试一张，确认参数和效果没问题之后再处理全尺寸。具体操作步骤是这样的：先在 PS 打开原始 TIFF，复制一个图层，然后在这个图层上执行 StarNet++ 滤镜。跑完之后，StarNet 会生成一个新的文档，里面是去星后的背景图。这时候你回到原图，按 Ctrl/Cmd+A 全选原图，再到去星图上粘贴，就能得到一个以图层形式存在的无星背景层。

这里有个细节值得注意：执行 StarNet 前，最好先把图像转为 16 位模式，并合并到单个可见图层。如果画面上还有未合并的文字、水印或地景蒙版，模型会把它们当成画面内容来处理，产生奇怪的结果。另外，输入图最好是经过基本校准（比如叠加后的 TIFF 或已做白平衡的 TIF），不要拿严重偏色的原图直接跑，偏色会让星点识别变混乱。

3.3 星点回填：把星点"织"回画面的技巧

去星图调完之后，最后一步是把星点加回来。最常见的做法是，回到原始图，复制原图作为"星点层"，混合模式设为"亮光"或"线性减淡"，然后利用蒙版控制它只显示在需要叠加的区域。不过直接叠原图会让你之前辛苦调好的背景被原图的色调覆盖回去。

更好的做法是：在 StarNet 生成去星图的同时，用原图减去去星图，得到一份"纯星点层"。在 PS 里可以通过"应用图像"命令来实现——以去星图为底图，从原图中减去，差值就是星点。这样得到的星点层是干净的，不携带背景亮度信息，你把它叠加到调整好的无星背景图上，混合模式选"线性减淡"，就是非常自然的星点重建。叠加之后如果觉得星点太亮或者太拥挤，可以对星点层做一个微量的高斯模糊，或者用色阶把星点的整体亮度压一压，立刻能获得比原图更耐看的星点形态。

我还试过一种更进阶的玩法：先对背景图做完全独立的拉伸和颜色调整，然后把星点层复制多份，分别用不同模糊半径处理，最后用蒙版逐份叠加。这样做出来的效果是星点保留锐利核心，但外围有一层柔和的晕光，很像大光圈镜头拍出来的星点质感，放在城市近郊光害较重的片子上特别好用。

4. 我踩过的几个坑和完整排查思路

4.1 报错：cudnn64_8.dll 缺失，别急着装运行库

这是我遇到得最频繁的一个报错，尤其是安装完 StarNet++ 之后第一次运行，弹窗提示找不到 cudnn64_8.dll 或类似的动态链接库。遇到这种情况，很多人第一反应是去网上下载一个 dll 丢进系统目录，我的建议是尽量别这么做。这个报错的本质不是系统缺这个文件，而是 TensorFlow 找不到与当前 CUDA 版本匹配的 cuDNN 运行库，你手动塞一个版本不相符的 dll，反而可能引发更隐蔽的其他错误。

我当时的排查思路是这样的：先确认自己是否真的需要 GPU 加速。如果只是想处理单张画面且不缺时间，完全可以在环境变量里把 TensorFlow 设置为只用 CPU，跳过 CUDA/cuDNN 的相关加载。在命令行版本里，可以通过os.environ['CUDA_VISIBLE_DEVICES'] = '-1'这样的方式强制走 CPU。如果是 PS 插件版，就得看安装包是否自带依赖目录，检查一下安装路径下有没有 cudnn 文件夹，有的话确认 PATH 环境变量是否包含这个路径。

如果你坚持要 GPU 加速，那我建议卸载干净现有 Python、CUDA 和显卡驱动，然后按照项目 README 明确写明的组合一次性装齐，不要东拼西凑。这一步没有捷径，版本匹配是唯一解。

4.2 去星之后出现"十字叉"伪影的根源

另一个让我头疼的问题是，某些亮星周围会出现明显的"十字叉"或放射状伪影，看起来非常像的衍射星芒，但实际上是模型把星点周围一圈异常像素误判成了另一种结构。排查下来，我发现问题多半出在输入图像的高光部位：亮星核心过曝后连成一片，形成不规则的大面积高光区，模型不知道该怎么填补星点背后的信息，就在边缘生成了放射状纹理。

解决办法是在跑 StarNet 之前，先用 PS 的修复画笔或克隆图章把过曝核心手工修掉一部分，让高光区域恢复成接近正常星点的圆形亮度分布。听起来有点反直觉，但把最亮的部分修干净后再去星，伪影会显著减少。如果伪影已经产生了，也不用重跑，用"仿制图章"在去星图上把这些十字叉涂掉，再叠加回星点层，最终画面基本看不出来。

还有一个容易忽略的细节：输入图像中的热像素和坏点也会被当成星点，并在去星图上留下小洞。所以我现在的习惯是：先做一次暗场扣除或坏点修复，确保图像没有规则排列的异常亮点，再交给 StarNet。

4.3 大图卡死：内存管理比你想象的更保守

StarNet 吃内存这件事，我到现在都心有余悸。有一次处理接片生成的 1.2 亿像素 TIFF，PS 已经够吃力了，再叠加 StarNet 的模型推理，直接卡到无响应。后来我查了一下，原因是 StarNet 在推理时会同时保留原图、中间特征图和输出图的多份拷贝，分辨率越大，显存和内存消耗成倍增长。

我的经验是：超过 6000 万像素的图，先缩到 50% 跑通流程，确认背景处理效果之后再考虑全尺寸；如果最终出图要求全尺寸，建议拆分成上下两段分别跑 StarNet，然后再拼回来。拼接时注意留出少量重叠区域，并在边界加羽化蒙版，避免拼缝发暗。另外，PS 里运行 StarNet 之前，尽量关闭不用的文档，释放一部分内存占用，别同时开着几十张其他素材。

内存问题也可以通过换成更高效的模型版本缓解。v2 以后的推理速度通常会比 v1 快不少，对同样一张图的内存占用也更稳定。我的看法是，不要为了"省事"一直用旧版，新版本在效率上的提升是实实在在的。

5. 不只是去星：几种比常规用法更有价值的实战场景

5.1 快速检测照片中的暗弱星系

去星图除了用于后期调色，还有一个经常被忽略的功能：帮你快速发现画面里的暗弱天体。我之前拍一张仙女座星系 M31 的时候，原图里星点非常多，外围悬臂的云气细节被星点遮挡，肉眼基本看不清。跑完 StarNet 之后，无星背景图一拉伸，外围悬臂的层次立刻浮现出来，甚至能看到几个以前没注意到的背景小星系。这个方法在做深空天体观测记录、或判断一张素材值不值得深入处理时特别高效，省去了放大逐块检查的时间。

类似的用法也适用于银河核心区域的暗尘埃：在原始图上你只能看到一片亮星，去星之后你会发现层叠的暗尘埃纹理原来这么丰富。我现在的习惯是拿到任何一张深空素材，都先跑一遍 StarNet 生成无星图，然后直接对无星图做自动拉伸，快速评估这张照片的潜力。

5.2 为星野作品制作干净的"星芒版"

星野摄影里，星芒是很多人追求的加分项。但星芒和银河细节在同一条曝光曲线里很难兼顾：星芒需要刻意过曝才能拉出，过曝又会让银河核心一片死白。StarNet 的星点分离能力让我找到了一个讨巧的做法。先跑 StarNet 分离出星点层，然后单独对星点层进行星芒增强处理，核心思路是用极坐标或径向模糊做出星芒效果，再把处理后的星点层叠加回背景图上。背景图仍然保留平滑的银河过渡，星点却变成了漂亮的星芒，两者互不干扰。

这个玩法还延伸到星点数量的审美控制上。原图里密集的星点有时候让人看得喘不过气，我会在星点层上用色阶压掉大量暗弱星点，只保留比较亮的几颗，这样画面立刻干净很多，视觉焦点也更突出。这比用蒙版手动抹除星点要精确得多，毕竟星点层的"亮度"就是筛选依据。

5.3 接片与全景处理中的"去星辅助"

接片是 StarNet 很好用的另一个隐藏场景。我之前做银河拱桥接片时，单张内的星点变形在拼接后经常产生断裂或重影，尤其是广角镜头边缘的星点形状畸变，叠加软件很难完美对齐。后来我改成先对每张素材跑 StarNet 去星，再用去星图做全景拼接，银河背景会接得非常平滑，几乎不需要手动控制点。拼接完成之后，再单独把星点层按对应位置叠加回去。

这个流程听起来有点绕，但我实测下来确实有效。因为多数拼接算法的控制点提取会受到星点位置变化的干扰，去星之后，算法会把注意力集中在银河、山脉等稳定的结构上，拼接成功率明显提升。再加上 StarNet 会对每张图做独立的背景一致性估计，拼接后整个画面的亮度过渡更均匀，减少了以往接片常常出现的暗角梯田现象。不过我提醒一句，这种方法适合画面内连续结构较多的场景，如果画面里的银河很暗淡、地景又很少，去星后拼接可能会缺少足够特征点，这种情况下可以适当降低去星强度或保留部分亮星。

最后再分享一个小经验。无论你用哪个版本的 StarNet，跑之前都把图像转换成 16 位 TIFF，并且尽量先对画面做一次中性灰平衡。模型在色彩平衡更自然的图上输出质量稳定很多。别等整张图调完色才想起来去星，那样会因为色彩偏移产生不必要的伪影。这个工具本身不复杂，复杂的是让它融入你自己的后期节奏——一旦理顺，你会发现它其实可以变成整个流程里最不起眼、但最离不开的一步。