最近“starnet”这个名字在天文摄影后期圈子里突然又热闹起来，群里的朋友都在讨论“无星图”“缩星”“星云增强”。说实话，我第一次接触它的时候还闹了个误会，以为是什么网络工具，后来才知道，这是一款专门把照片里的星星“剥”下来的深度学习降噪工具——全称就是StarNet，在天文后期里的地位，基本相当于Photoshop之于普通摄影。
如果你拍过深空天体，一定遇到过这种头疼情况：星系和星云本身很暗，想拉亮度、拉对比度，结果背景里几百颗恒星跟着一起变亮，亮星直接曝成一团白色毛球，星云细节还没出来，画面先毁了。以前我会用StarMask加蒙版慢慢处理，但面对几千颗恒星，手动修星点根本是体力活。后来换用Starnet，它直接利用神经网络输出一张“完全没有恒星”的星云背景图，再把原图和这张无星图相减，就能拿到一张纯星点图。这两张图一拆开，后期空间一下就打开了。
这篇文章，我就从Starnet的工作原理、版本选择、完整实操、进阶玩法到坑位清单，把我两年多来的使用经验完整写一遍。不管你是刚入坑的深空萌新，还是已经在用PixInsight处理照片的老手，应该都能从中找到点有用的东西。
1. 为什么天文照片后期要“拆星星”：Starnet解决的核心难题
1.1 星点与云气混在一起，后期怎么拉都别扭
深空照片和普通照片最大的不同，是动态范围极端的“两极分化”。星云和星系暗弱弥散，亮度往往只占像素值的百分之几；而恒星是点光源，经过光学系统后会形成带有衍射芒、晕圈的高亮峰值。这两类目标在同一张图里叠加，后期只要一动拉伸曲线，问题立刻暴露出来。
举个例子，我用黑洞相机拍过一张M81星系，总曝光时间8小时，星系悬臂的细节其实拍到了。但在线性状态下看上去平淡无奇，必须用直方图变换把中间调狠狠拉开。问题来了：拉开中间调的同时，星系前方几颗6等星直接过曝，变成直径几百像素的白色圆盘，周边的衍射芒更是变成了一道道刺眼的白线。这时候你要是继续提亮悬臂细节，星点就更没法看；你要是为了保星点把拉伸幅度压下来，星系细节又出不来。这就是星点和云气互相“打架”。
传统解法是生成星点蒙版。PixInsight里用StarMask配合各种尺寸和容差参数，把恒星区域筛出来，然后拉伸时借助蒙版保护。但这套流程有几个痛点：第一，StarMask参数极其敏感，星点大小、背景噪声、月光的梯度都会影响识别精度，调参数的时间比处理照片本身还长；第二，太暗的星点很难被完全选中，一旦漏掉几颗，拉伸后就变成“满天噪点”。如果你拍的是球状星团或者银河中心这种恒星密集区域，StarMask基本会瘫掉，密密麻麻的星点让蒙版完全失去意义。
1.2 Starnet的过人之处：用神经网络把恒星单独剥出来
Starnet走的是完全不同的技术路线。它不是一个“检测星点并选中区域”的工具，而是一个图像到图像的卷积神经网络回归模型。你可以理解为，它学习了成千上万张真实天文图像中恒星的形态特征——包括亮核、衍射芒、晕圈、暗弱星点——然后在推理时，对输入的整张照片直接输出一张“这些恒星如果不存在，背景和星云应该长什么样”的估算图。
这一步非常关键：它不是在像素层面做阈值分割，而是从全局去理解“哪些结构属于前景恒星，哪些结构属于背景天体”。所以哪怕是很暗的、和背景噪声几乎混在一起的星点，也能被模型识别并去除，这是传统蒙版方法很难做到的。
拿到这张无星图之后，原图减去无星图，剩下的就是纯星点图。这两张图就相当于把一座城市地图上的“路灯”和“街道建筑”分开了。你可以分别针对街道做精细修缮，再单独处理路灯的亮度、颜色和数量，最后合成回一张完整图像。这个理念往小里说，是解决星点过曝问题；往大里说，它给了后期师一把完全不同的“手术刀”，可以重新组织画面结构。
2. Starnet的运行逻辑与版本差异：弄清v1和v2再动手
2.1 v1和v2到底差在哪
StarNet是开源项目，最早发布于2018年，作者是Nikita Misiura。项目后来更新过一版模型，社区里习惯称为v1和v2。这两代我都用过，差异非常明显，千万不要随便混用。
v1模型对普通稀疏星场效果很不错，运算速度也快，在GTX 1060这类甜品卡上处理一张1600万像素照片大概几分钟。但v1有个明显弱点：对于特别亮的恒星核心，它经常“除不干净”，输出结果里会残留一圈白色亮核，像褪色没褪干净；反过来，对非常暗弱的小星点，它又容易“用力过猛”，把星点周围一小圈真实星云细节也给抹掉。这其实和训练数据的覆盖范围有关，v1对明亮星核和密集星场的泛化能力不够。
v2训练集更丰富，网络结构也做了调整，最大的改进就是针对高动态范围星点和密集星场。我做过一个直观对比：同一张满月升起的场景（地景边缘带雾气）和一张NGC7000北美洲星云，v2在处理亮核残留和暗弱细节保留上都要干净得多。代价是模型文件更大，推理时间大约翻倍，显存占用也水涨船高。我的RTX 3060在跑v2的时候，显存经常飚到5GB以上，v1大概只有2到3GB。
2.2 模型文件、计算资源与运行模式的取舍
StarNet虽然是个神经网络工具，实际使用上并没有你想的那么复杂。它有三种常用形态：Python命令行版、PixInsight内置脚本版、Siril插件版。
Python版最硬核，需要自己装Python环境和TensorFlow框架。模型文件（几百MB的权重文件）单独下载，放到项目目录里，然后通过命令行参数指定输入输出。它的优点是可定制参数多，适合批量处理，也适合写进自己的后期流水线；缺点是环境配置对小白不太友好，尤其是在GPU版本的TensorFlow安装上，CUDA和cuDNN版本不匹配会让你折腾一晚上。
PixInsight内置版是绝大多数人的首选。直接在Process菜单里找到StarNet，脚本会自动调用模型，界面简洁，输入图像输出无星图，几乎没有学习成本。但它也有个先天限制：它是基于PI的JavaScript接口调用Python后端的，所以你的电脑上依然要装好Python环境和相关依赖，跑起来其实是“PI调用系统Python”的模式。如果你PI版运行报错，大概率不是PI的问题，而是Python环境没配对。
Siril插件版也基于v1或v2模型，运行效率和PI版相似，好处是Siril本身跨平台、相对轻量，而且现在新版Siril把StarNet集成到了菜单里，用起来比命令行省心。
选择哪个版本，主要看你的主力后期软件。我个人的习惯是：日常单张处理用PixInsight版，因为输出后直接在当前工作区继续叠合；批量处理几十张素材时用Python版，可以写脚本循环跑一晚上不用管。
2.3 Starnet不是滤镜，输入图像的状态会影响结果
这里必须强调一个很多人忽略的点：Starnet不是特效滤镜，它对输入图像的状态极其敏感。最理想的使用时机是在线性（linear）图像上运行，也就是还没有做任何拉伸、还没有叠加非线性调整的原始堆栈结果。因为Starnet训练时使用的是未拉伸的线性数据，你拿一张已经拉爆的高动态范围照片喂给它，模型会困惑，输出的无星图往往会表现出奇怪的灰色光晕。
当然，很多人习惯在拉伸后再跑Starnet——毕竟看到图片更直观。这个做法也能出效果，但要注意：拉伸后的星点已经变粗、变饱和，模型的拟合难度增加，边缘容易出现“亮边”。如果必须后期跑，建议先把图像整体压暗一些，把峰值控制在0.1以下，让亮星恢复一些线性感，再丢给Starnet。
3. 实操：用Python版Starnet把一张照片拆成“无星图”和“星点图”
3.1 第一步：准备环境与模型
我以Windows系统为例，假设你用的是Anaconda管理Python环境。打开Anaconda Prompt，创建一个新的环境，避免和日常开发环境冲突：
conda create -n starnet python=3.8 conda activate starnet接下来安装TensorFlow。如果你有NVIDIA显卡，建议装GPU版：
pip install tensorflow-gpu==2.10.0但是注意，TensorFlow 2.10之后不再支持Windows GPU，很多人卡在这里。我的建议是直接用CPU版本，如果只是处理单张照片，CPU跑慢一点也能接受，平均一张短时间内也不会超过10分钟。GPU版如果能装上，速度提升非常明显，同一张图可能只要几十秒。
然后是下载StarNet的源码和模型权重。源码从GitHub上clone或者直接下载zip压缩包都行，解压到本地。权重文件一般需要单独下载，v1和v2各对应一个文件，体积在四五百兆左右。把权重文件放到源码目录下，让代码能通过相对路径找到它们。
3.2 第二步：跑通命令行并检查输出
进入源码目录后，执行命令的格式大体是这样：
python starnet.py --model v2 --normalize 0.9 --scale 64 --input ./myimage.tif --output ./result.tif不同版本的参数名可能略有差异，第一次运行建议先不带参数执行，让它打印出帮助信息。比较核心的参数有三个：
--model：指定v1还是v2，对应不同的权重文件。--scale：推理时的分块尺寸。神经网络通常不能一次性处理整张大图，代码会把图像切成小块分别推理，再拼接回来。这个值越大，显存占用越高，但通常效果越稳；越小越省显存，但容易出现拼接痕迹。--normalize：输入数据的归一化系数。它主要用来把图像的像素值缩放到模型期望的范围，一般取0.9到1.0之间，如果你发现输出偏暗或偏灰，可以先试试调整这个参数。
运行结束后，检查输出目录。正常情况下你会得到一张和输入完全同尺寸、但星点被移除的TIFF图。打开它，看看背景星云是否保留干净，暗星是否被清除，亮星核心是否还有残留。如果亮星核还有白点，可以换v2模型再跑一次；如果星云细节被抹掉了，适当降低normalize值或者检查输入图像是否过度拉伸。
3.3 第三步：用PixelMath或PS图层把两张图合成回原图效果
拿到无星图之后，下一步就是生成星点图。方法很简单：原图减无星图。
在PixInsight里，打开PixelMath，输入：
math = m - m_starless其中m是原图，m_starless是Starnet输出的无星图，输出结果就是纯星点图。如果你用的是Photoshop，可以在图层面板中把无星图放在原图下层，原图设为“差值”混合模式，然后合并可见图层，得到反色星点图，再反相一次就OK。
到这里你手里就有了三张素材：原图、无星图、星点图。后面所有的进阶操作，都是围绕这三张图做文章。
3.4 一个快速自检流程：怎么知道Starnet跑得好不好
跑完别急着往下走，先花30秒做个质量检查。把无星图和原图放大到100%对比，重点看三件事：一是亮星的残留情况，如果无星图里还有明显白色亮核，说明模型没有吃透，建议换更新模型；二是星云纹理是否被误伤，特别是细小的暗星云纹理，如果出现“橡皮擦擦过”的痕迹，可能是输入图的动态范围没有做好归一化，或者拉伸过度；三是边缘区域有没有异常，分块推理如果尺度不协调，图像边缘会出现条纹，这时需要调整--scale参数并重跑。
我自己的习惯是，跑完把两张图叠在一起做一次快速闪烁（Blink），就像GIF一样来回切换，很容易暴露局部星点没有被完全分离的问题。这一步虽然土，但效率极高。
4. 进阶玩法：Starnet在后期流程里的四种实用姿势
4.1 姿势一：无星图与星点图分开拉伸，保留星云细节
这是Starnet带给后期最大的革命。传统流程里，拉伸一次曲线，星点和星云同时被拉，矛盾无法调和。现在有了星点图和无星图，你可以完全分开处理。
我处理M33三角座星系时用的流程是：先把无星图做轻度DBE（动态背景提取）去梯度，然后用直方图拉伸，把星系盘旋臂的变化充分展示出来，再去进行一次TGVDenoise降噪和色彩校准。这时候星云图里已经没有任何恒星了，所有处理都不会出现星点拖尾或过曝问题。处理完星云图，再来处理星点图：单独对星点做色彩饱和度增强，让亮星呈现出应有的蓝白色或橙黄色，再用MorphologicalSelection把特别刺眼的大星点做轻微缩星。最后把两张图用PixelMath以“加法”或者“浅色”方式合成，完美。
我第一次走完这套流程时，最大的感受是：原来星云可以拉得这么狠而不必担心画面破相。M33的悬臂细节直接提升了一个档次，这在以前是根本不敢想的。
4.2 姿势二：做星云蒙版，避免降噪损伤星点
降噪是深空后期里必不可少的一步，但降噪滤镜对星点是场灾难。无论是TGVDenoise、MultiscaleLinearTransform还是第三方插件，它们会把星点当成“高频细节”一并抹除，结果就是星星变秃、变灰、失去质感。
有了无星图，这个问题迎刃而解。你可以在PixInsight里用无星图作为蒙版。具体做法是：把无星图的副本做一次轻度高斯模糊，然后反色，得到一个“背景保护蒙版”，其中星云区域是暗的，星点区域是亮的。降噪时加载这个蒙版，滤镜就只会处理星云和背景，星点完全不会受影响。等降噪完成，再去掉蒙版，把星点图合成回来。
这个操作看起来多占了一步，但对画面纯净度的提升是肉眼可见的。特别是你用CMOS相机拍的素材，噪声颗粒通常很细，没有这个蒙版的话，降噪力度一大，星点周围那圈衍射芒会变得像断成几节的小蚯蚓，非常难看。
4.3 姿势三：缩星与降星点亮度，抢救过曝星核
深空摄影里大星过曝几乎是家常便饭，比如M42猎户座星云里的四合星，还有M31仙女座星系核心的亮星。以前处理这种过曝星核，大家会在StarMask选出后，用克隆图章慢慢修。有了Starnet之后，方法简单多了。
从前面生成的星点图出发，对整个星点图做一次缩小处理，比如用PI的MorphologicalTransformation，配合合适的结构元素和强度参数，让星点尺寸整体缩小30%到50%。由于星点图里只有星星，没有星云背景，缩小操作不会伤害任何云气细节。处理完缩小版星点图，再和拉伸好的无星图合成，原来的大亮星就变成了干净精致的小星点，星云细节反而更突出了。
亮星颜色偏色也是一样处理。星点本身的光谱信息在分离后可以专门调整，比如我做Kappa?或青色、蓝色选择蒙版，在星点图层上拉色彩平衡，既不担心影响背景，也不怕色彩溢出到星云区域。
4.4 姿势四：用无星图做背景平场与去梯度
这是个不少人忽略的隐藏用法。Starnet输出的无星图，本质上是一个“没有前景结构干扰的背景估计”。你可以拿它来做背景平场。
如果你的照片有明显的渐晕、天空光梯度、月光梯度，直接对原图做DBE经常会被亮星干扰，导致去梯度后星点周围出现水波纹。现在你可以先做一张无星图，在无星图上运行DBE，由于没有恒星干扰，背景采样点会特别干净，得到的背景模型非常平滑。然后把得到的背景模型应用到原图上，就能在不伤星点的情况下把梯度清干净。
我在处理银河中心区域的素材时特别喜欢用这个技巧。因为银心恒星密度太高，直接DBE永远会采到星点，出来的背景模型坑坑洼洼。用Starnet先把恒星剥离，再DBE，模型的平滑程度完全提升了两个档次，后续的色彩校准也跟着变得更稳定。
5. 我用Starnet踩过的坑与参数调整清单
5.1 常见坑一：显存不足和“拼接缝”问题
Starnet跑大图最常见的坑就是显存溢出。Python版如果不做分块，一张全画幅相机输出的6000x4000图像，直接喂给GPU，显存占用轻松超过8GB。解决方法是把--scale参数调小，比如从96降到64或48，让网络分块更碎。但分块太小也会带来新问题：块与块之间的边界可能不自然，出现规则的十字亮纹。
经验值是这样的：对一般深空图，--scale 64是一个比较稳妥的起点；如果你的显存很充足，可以提到80到96，图像质量能略微提升；如果遇到边缘痕迹，可以先微调别的参数，实在不行再考虑降低或升高scale值。PixInsight脚本版内部已经处理了分块逻辑，一般不太会遇到拼接缝，但如果你用的是Siril插件版，偶尔会把拼接痕迹打包送给你，这时候试着把输入图像分辨率降低到50%再跑，痕迹会减轻很多。
5.2 常见坑二：输出图像整体发灰、对比度下降
有些朋友跑完Starnet后，发现无星图变得灰蒙蒙的，星云本身具有的对比度好像被“洗”掉了一层。这个问题最常出现在两个地方：一是输入图像没有做线性归一化，导致模型的输出范围失准；二是权重文件和模型参数不匹配，相当于你用v2的训练数据却调用了v1的网络结构。
解决办法很简单：先确认输入图处于线性状态且图像未做任何非线性拉伸，其次去模型下载页核对一下权重文件名和代码版本是否对应。如果还是发灰，可以在输出阶段做一个自动色阶拉伸，把无星图的黑色点和白色点重新映射一下。但这只是补救，最好还是在源头把输入图像的状态调整好。
5.3 常见坑三：PI版能运行但结果与Python版不一致
这是个很迷惑人的问题。很多人PixInsight里跑的StarNet脚本，外面也有个Python版，两者结果竟然不一样。这不是程序出错了，而是PI版脚本往往内置了一套默认预处理逻辑，可能会先降采样、再改变图像字节类型。你拿PI版跑出来的无星图和Python版跑出来的，细节上总有细微差异。
两个版本我都用过，我的建议是：选一个当主力，不要混用。如果你主要在PI里后期，那就让PI版跑出来的结果直接当作无星图基准，后续所有操作都基于它；Python版留来做批量处理，比如一夜之间处理几百张星点分离数据，不进PI交互流程。
5.4 Starnet的极限与适用边界
最后必须说点实在话：Starnet不是万能的。
它对恒星密度极高的球状星团图片，比如M13、M92这种中心区域千星争辉的画面，会把一部分暗星也当背景抹掉，导致最终星点图缺斤少两。这种情况我也不建议你无脑用Starnet，更适合的方案是先做星点分离拿到背景参考，再辅以StarMask或手动补充星点，两步结合。
它对星芒非常明显的反射望远镜照片也有局限。长细尖的衍射芒不像是“点”状结构，神经网络有时候会“怜香惜玉”地保留一部分，显得不彻底。我拍过一台牛反的照片，恒星衍射芒在无星图里留下淡淡的痕迹，后来只能配合中性蒙版手动擦除。
它同样不适用于普通风景照片或人像。虽然原理上可以去除路灯、光斑，但模型训练分布不一样，硬跑会出来一些莫名其妙的结果。所以记住，StarNet的舞台就是深空天文摄影。
写在最后：StarNet已经是我后期流程里的固定环节
我现在处理深空照片的默认流程，基本固定成了“先跑一次Starnet拿无星图，再做拉伸、降噪、色彩校准，回头单独处理星点图，最后合成”。这中间每一次处理都不用再担心星点干扰，实际上是从源头上改变了后期思路。如果你还没试过，建议直接拿之前一张星点亮到爆炸的旧素材，跑一次StarNet，把无星图和星点图分别拉伸看看，你大概率会和我当初一样，对其他照片的处理方式产生新的想法。
