说实话，第一次把一张满屏都是星的银河原图丢进 StarNet 的时候，我盯着跑出来的结果愣了半天——那些困扰我很久的星点，居然像从来没存在过一样被干净地摘掉了。那时我就意识到，天文摄影后期里最磨人的“星云和星点互相打架”的问题，算是有了一个真正能落地的解法。
StarNet 是一个基于深度卷积神经网络的开源降星工具，核心任务只有一个：把照片里的星点分离出来，只留下星云、星系这类深空天体。说人话就是，你给它一张图，它帮你把满天的星星擦掉，剩下干净的目标，之后你再单独处理星星那一层。这篇内容不是翻译官方文档，而是把我从安装到参数调整、从踩坑到顺手的工作流全部整理一遍，给正在被星点包围的后期玩家一个能直接照着抄的参考。
1. 为什么天文后期离不开“降星”这一步
1.1 星点不是主角，却总在抢戏
很多人拍深空的第一张图都是这样的：目标星云其实拍到了，但叠加完一拉伸，满屏亮星、饱和星、衍射芒星直接把画面塞得满满当当。你调整曲线想让星云细节浮出来，亮星先过曝；你压低高光保住星云，星点又灰蒙蒙一片。星点和大面积暗弱天体在动态范围上完全是两个极端，传统后期只能两头将就。
StarNet 解决的就是这个矛盾。它不是用蒙版艰难地“避开星点”，而是直接把画面拆成两层：一层是没有星点的背景天体层，另一层是纯星点层。这样做的好处很明显——星云层可以放心地拉伸、缩星、做 HDR、降噪，不用担心亮星过曝；星点层后续单独收缩、调色、控制大小，最后再重新合回去。整个过程等于把“既要又要”的问题拆成两个独立步骤，每一步都变得简单可控。
1.2 它凭什么能区分星点和星云
早期做去星常用的手段是 StarMask 加形态学变换，靠星点的亮度集中、圆对称这些特征做蒙版，遇到暗星和云气边缘时很难一次到位。StarNet 的思路完全不同：它用海量恒星与星云混合的合成图像训练了一个神经网络，让模型自己学会判断“这个像素更像星点还是更像背景天体”。
模型真正依赖的特征是尺度、形态和局部对比度。一枚星点即使很亮，在空间上也只占几个像素，亮度从中心向外快速衰减；而一片星云即便很暗，也往往横跨几十上百像素，灰度变化是渐变的。神经网络学到的就是这种多尺度空间特征，所以它对暗星、小星云的判断比手工蒙版稳定得多。这也是为什么同一个项目里，StarNet 去掉的星点往往比你自己手刷 Mask 干净一圈。
2. 工具选型：StarNet++、StarNet v2、StarXTerminator 怎么选
2.1 版本差异与免费/付费的权衡
StarNet 最早以 StarNet++ 的形式出现，作者是 Nikolaus Voltz，开源免费，提供命令行工具和预训练权重，支持 NVIDIA 显卡加速，没有独显也能纯 CPU 跑但速度很慢。后来作者发布了 StarNet v2，在模型结构、训练数据、蒙版边缘上都做了改进，同时提供了可直接安装在图像处理软件里的插件版本，目前在很多后期平台上都能免费使用，这也是现在多数人接触到的版本。
StarXTerminator 则是基于 StarNet 思路重新训练的商用插件，效果公认更稳，伪影更少，对亮星周围光晕的处理更细腻，但需要付费授权。我的建议很直接：如果你刚开始尝试降星，直接从 StarNet v2 免费版开始，完全够用；确认自己确实需要天天处理大量深空图、又受不了免费版偶尔出现的边缘残留，再考虑付费方案。
2.2 不同工具的定位对比
| 工具 | 授权方式 | GPU 要求 | 实际效果倾向 | 适合人群 |
|---|---|---|---|---|
| StarNet++ | 免费开源 | 支持 CUDA，也能 CPU | 老牌稳定，边缘偶尔偏硬 | 喜欢命令行、追求零成本 |
| StarNet v2 | 免费 | 支持 GPU 加速 | 星点更干净，蒙版边缘更柔和 | 绝大多数后期玩家 |
| StarXTerminator | 付费授权 | 支持 GPU 加速 | 残留、伪影最少，流程最省心 | 重度深空玩家、付费求效率 |
选型时可以再补一个维度：你用的后期软件生态。StarNet v2 在很多主流后期平台上都有对应插件，安装后直接在菜单里调用，不需要另外开命令行窗口；StarNet++ 则适合脚本化、批处理、或者你想把降星步骤嵌进自动化流程里的情况。我的经验是，先别纠结模型细节，把免费工具用熟，比一开始就上付费方案更能帮你理解降星到底在做什么。
3. 实操全流程：从安装到完整降星工作流
3.1 安装与运行环境准备
先说最容易劝退新手的一步。StarNet 本身依赖深度学习推理框架，如果你下载的是命令行版，需要确保本机 Python 环境和依赖库能正常调用模型。GPU 用户建议提前装好 NVIDIA 驱动和 CUDA 支持，否则程序会自动退回 CPU 循环，一张图片跑上半小时都有可能。
我的习惯是在 PixInsight 里直接用 StarNet 插件，省去命令行参数记忆成本。安装完成后，插件会出现在菜单中，第一次运行需要指定模型文件路径，模型文件通常是几百 MB 级别的权重文件。这里有个简单的验证方法：随便拿一张已经拉伸过的深空图，用默认参数跑一次，如果输出结果能明显看到星点消失、背景天体保留，说明环境没问题。
注意：StarNet 对输入图像的“非线性状态”很敏感。官方训练数据基于拉伸后的图像，所以实操中最好先对图像做一次轻度拉伸再喂给模型，纯线性图像直接跑，容易出现背景发灰、噪声被当成星点残留的问题。
3.2 关键参数怎么调
不同版本的界面参数不完全一样，但核心就是那么几个：模型选择、降采样倍数、去星强度，以及输出方式。
- 模型选择有 v1/v2 之分，v2 通常表现更好，但向下兼容的旧模型别急着删，遇到大图、极端亮星时可以来回对比。
- 降采样倍数决定程序内部是否把图像缩小后再推理。对大尺寸原图，把处理尺寸降到 1/2 能显著减少显存占用和耗时，代价是星点蒙版边缘会稍微粗糙一点。
- 去星强度控制“分离的彻底程度”。强度太高会把星云里的致密亮核也一并摘掉，强度太低又会残留暗星点。我自己通常从默认值开始，先看星点层有没有大片云气，再判断往哪边调。
以下是我常用的一个基准参数组合，如果你没有头绪，可以直接从这组开始：
| 参数 | 基准值 | 调整方向 |
|---|---|---|
| 输入图像 | 轻度拉伸后的非线性图像 | 太灰就加强拉伸，太炸就降低拉伸 |
| 降采样倍数 | 1（不缩小） | 显存不足时改为 2 |
| 去星强度 | 默认中档 | 星点残留则加档，星云消失则减档 |
| 输出方式 | 分别生成星云层和星点层 | 只出蒙版时后期自由度降低 |
3.3 一套完整的降星后期链路
我把实际工作中最常用的一套流程完整写一遍，你可以把它当成模板：
- 先用预处理脚本完成校准、对齐、叠加，得到一张深空主图。
- 复制主图，对副本做一次轻度 HistogramTransformation，让星点和星云对比关系接近人眼可见的状态，作为 StarNet 的工作副本。
- 对工作副本运行 StarNet，生成两个文件：一个是去星后的星云背景层，另一个是算法内部生成的星点蒙版层。
- 对星云背景层做大刀阔斧的处理：曲线拉伸、色彩校准、局部对比增强、降噪。因为星点已经拿掉了，不需要担心亮星过曝，中间调的云气细节可以放胆拉出来。
- 对星点层做“收缩”和“控制”：用 MorphologicalTransformation 把星点半径缩小一点，让合成回去之后星点不那么喧宾夺主；也可以顺手把星点颜色统一一下，避免原图中个别星点偏紫、偏绿。
- 最后用 PixelMath 把处理好的星云层和星点层合回一张图，公式就是简单的相加，或者用蒙版控制星点层在亮部的叠加强度。
这套流程最舒服的地方在于，每一步的输出都看得见、可回退。星云层处理坏了，重新从步骤 4 再来；星点层调得不好看，单独换一组参数重跑。降星之后的我再也不需要为了保住一颗亮星而牺牲一整片云气。
4. 常见问题与排查技巧实录
4.1 高频问题速查表
| 问题现象 | 可能原因 | 解决办法 |
|---|---|---|
| 输出图像背景发灰 | 输入的是纯线性图，或拉伸不足 | 先做一次轻度拉伸再跑 StarNet |
| 星点层里有大片云气 | 去星强度过高或模型版本不适配 | 降低强度，切换 v1/v2 模型对比 |
| 星云层出现黑色空洞 | 星云致密核心被误判为星点 | 用 RangeMask 保护核心区域后重跑 |
| 亮星周围残留光晕 | 强饱和星的衍射芒超过模型训练范围 | 处理前先用蒙版抠掉亮星，处理后再贴回 |
| 程序运行极慢 | 纯 CPU 推理 | 开启 GPU 加速，或缩小输入尺寸 |
| 显存不足崩溃 | 原图尺寸过大 | 开启降采样（1/2 或 1/4） |
4.2 几个最值得记住的避坑经验
第一个坑是“拿原图直接跑”。我第一次用 StarNet 时为了省事，直接把叠加后的线性图丢进去，结果出来的去星层灰蒙蒙一片，星点层却干干净净。后来才明白，模型需要看到的是“对比度接近自然视觉状态”的图像，而不是低电平的线性数据。先拉伸、再训练，这个顺序不能省。
第二个坑是过度依赖输出结果，不去检查星点层。StarNet 的输出并不总是完美的，尤其遇到密集星场时，偶尔会有环状伪影。我后来养成了一个习惯：跑完先不看星云层，先看星点层。星点层如果像一张“星图”，说明分离正常；星点层如果带着云气痕迹，就说明模型把部分天体也塞进去了。这一步检查十秒钟，却能省下后期合成后发现细节丢失的返工时间。
第三个坑和亮星有关。像 M42 中心区域那种又亮又大的核心，StarNet 经常会整片当成星点摘掉，导致四合一星周围出现一块灰色凹陷。我的处理方式很简单：在降星之前用 RangeMask 把画面中心一小块区域保护起来，让 StarNet 只处理外围；等星云层处理好之后，再把原图中的 M42 核心区域小范围贴回来。这样既不炸星点，也不丢云气细节。
4.3 多图层比对技巧
我在处理一组窄带数据时，会同时保留三个版本：原始主图、去星层、星点层。这样做有个额外的好处——可以随时用 PixelMath 做差异分析，比如检查缩星后星点层是否产生了色偏，或者对比不同去星强度下星云层细节的保留程度。
具体操作上，我会把原始图和去星层相减，得到的就是实际被移除的像素差异图。这个差异图比单纯看星点蒙版更直观，因为蒙版反映的是概率权重，而差异图反映的是真实像素变化。如果差异图里出现了星云纹理的轮廓，就说明强度调太高了，该往回退一档。
5. 我对 StarNet 的最终评价与使用习惯
跑了大半年 StarNet 之后，我的总结非常简单：它不是完美的工具，但绝对是现阶段性价比最高的降星方案。对于预算有限、又不想在后期上花费太多时间的玩家来说，免费版 v2 已经能覆盖九成以上的需求；而 StarXTerminator 那种付费方案的优势，主要体现在极端亮星、密集星场和更高要求的细节保留上，属于“最后一公里”的优化。
我自己现在处理深空图的固定流程是：先拉伸，再降星，然后花八成的精力在星云层上做细节增强，最后用差不多两成的时间处理星点和回嵌。这个顺序改变了我的后期思路——以前是“星点碍事就躲着它”，现在是“星点和星云各走各的路，最后再合体”。如果你还没试过降星，建议直接找一张之前处理不动的废片，喂给 StarNet 看看输出，大概率会和我第一次跑完一样惊喜。