Ergebnisse, Anpassungen und Erkenntnisse – Entrauschungs-KI

Autoren:	Fabian Babik, Adrian Klinspon
Art:	Projekt im Praxissemester
Dauer:	29.09.2025 bis 09.01.2026
Betreuer:	Prof. Dr.-Ing. Schneider

DnCNN

Ziel der KI

Das ursprüngliche Ziel war die Implementierung eines DnCNN (Denoising Convolutional Neural Network) zur automatischen Bildverbesserung. Die KI sollte darauf trainiert werden, Rauschen aus verschiedenen Quellen (Sensorfehler, ISO-Rauschen) nicht nur zu identifizieren, sondern aktiv zu entferne und das Bildmaterial zu rekonstruieren.

Status der Umsetzung: Die geplante Bildverbesserung hat in der Testphase nicht funktioniert. Die KI ist nicht in der Lage, das bereinigte Bild auszugeben. Stattdessen liefert die KI lediglich eine Differenzmaske (Residual-Output). Das bedeutet: Das Rauschen wurde zwar erfolgreich erkannt und isoliert, aber die Korrektur bzw. das eigentliche "Denoising" fand nicht statt.

Ergebnisse der Analyse (Differenzmasken)

Obwohl die Hauptfunktion (die Bildverbesserung) fehlgeschlagen ist, zeigt die KI bei der reinen Isolation des Rauschens (Detektion) folgende Ergebnisse:

Ente_SaltPepper	Impulsrauschen	Hervorragende Isolation der schwarzen/weißen Störpixel (siehe Abb. 1).
noisylena	Gaußsches Rauschen	Erfassung der feinen, stochastischen Körnung.
ZionNoise	Natürliches Korn	Gute Trennung zwischen atmosphärischem Rauschen und statischen Objekten.

Abbildung 1: Anstatt die Ente zu säubern, liefert das DnCNN-Modell nur die Differenzmaske der Störpixel (rechts).

Stärken und Schwächen der KI

Stärken

• Hohe Sensivität: Das Modell erkennt Rauschen selbst an sehr feinen Texturen
• Präzise Lokalisierung: Die Masken zeigen exakt auf, wo Bildfehler vorliegen.
• Signalschonung: In den meisten Fällen werden homogene Farbflächen korrekt erkannt und nicht fälschlicherweise in die Rauschmaske aufgenommen

Schwächen

Tiling-Artefakte (Gitterbildung)

Das größte technische Problem ist die sichtbare Gitterbildung im Output. Die KI verarbeitet Bilddaten in Blöcken (Tiles). Da die Übergänge zwischen diesen Blöcken nicht nahtlos berechnet werden, entsteht im Output ein künstliches Gittermuster.

Abbildung 2: Fehlerhafte Blockverarbeitung führt zu einem deutlichen Gittermuster im Output des Campus-Bildes.

Kanten-Bleeding

An sehr kontrastreichen Kanten (z.B. Fensterrahmen oder Gravuren) kann die KI nicht sauber zwischen Bildstruktur und Rauschen unterscheiden.

• Beispiel: Bei NewspaperRock.jpg werden die Umrisse der prähistorischen Zeichnungen fälschlicherweise in die Rauschmaske extrahiert.

Abbildung 3: Kanten-Extraktion – Bilddetails werden vom DnCNN fälschlich als Rauschen markiert.

Fazit

Die KI hat ihr primäres Ziel nicht erreicht. Das DnCNN-Modell liefert keine verbesserten Bilder, sondern lediglich Diagnose-Masken. Aufgrund der Tiling-Effekte und der Fehler an Objektkanten ist die KI aktuell weder für die automatisierte Restaurierung noch für eine zuverlässige forensische Analyse einsetzbar.

AI_InitialLearnRate_1e-3

Ziel der KI

Mit dieser KI sollte untersucht werden, wie sich eine andere initiale Lernrate $(1\cdot 10^{-3})$ auf das Training des DnCNN auswirkt. Das Ziel bleibt identisch: Die Transformation eines verrauschten Input-Bildes in ein bereinigtes Output-Bild.

Status der Umsetzung: Die angestrebte Rauschunterdrückung konnte in diesem Durchlauf nicht realisiert werden. Während das vorherige Modell das Rauschen zumindest isolieren konnte, agiert diese Modell primär als "Pass-Through".

Ergebnisse der Analyse (Minimale Transformation)

Bei den untersuchten Bildern im Ordner AI_InitialLearnRate_1e-3 lässt sich beobachten, dass der Output eine fast exakte Kopie des verrauschten Inputs ist. Eine effektive Trennung von Signal und Rauschen findet nicht statt. Die vorgenommenen Änderungen am Bildmaterial sind visuell kaum wahrnehmbar und liefern keinen funktionalen Nutzen.

Ente_SaltPepper	Impulsrauschen	Das "Salt & Pepper"-Rauschen bleibt im Output fast vollständig erhalten.
dustCCD	Sensorstaub	Keine Entfernung der Staubpartikel; der Output ist nahezu identisch mit dem Input.
noisylena	Gaußsches Rauschen	Die Körnung wird ohne nennenswerte Filterung in den Output übernommen.
Campus	Komplexes Rauschen	Nur marginale Abweichungen zum Original erkennbar, keine effektive Bearbeitung.

Abbildung 4: Die KI leitet die Daten fast unverändert durch. Der Output (rechts) zeigt keine nennenswerte Verbesserung gegenüber dem Input (links).

Stärken der KI

• Artefaktfreiheit: Da das Netzwerk fast keine Operationen auf das Bild anwendet, entstehen keine Kachelmuster oder Kantenfehler. Dies ist jedoch ein Resultat der ausbleibenden effektiven Verarbeitung und nicht einer optimierten Filterlogik.

Schwächen der KI

Das Ausbleiben einer signifikanten Filterwirkung lässt auf ein Problem in der Gewichtungsoptimierung schließen, das durch die Lernrate von $10^{-3}$ verursacht wurde.

Stagnation des Lernprozesses

Eine Lernrate von $1\cdot 10^{-3}$ führte dazu, dass das Netzwerk keine wesentlichen Merkmale extrahieren konnte. Anstatt die Rauschstrukturen zu lernen, verharrt das Modell in einem Zustand, in dem die Eingabewerte fast direkt an den Ausgang durchgereicht werden.

Mathematische Annäherung an den Input

Das Modell führt keine effektive Subtraktion des Rauschens durch. Die gewünschte Residual-Lern-Funktion bleibt aus, wodurch das Signal-Rausch-Verhältnis nahezu unverändert bleibt:$Output\approx Input$

(Anstatt der angestrebten Funktion: $Output=Input-Noise$)

Fazit

Diese Konfiguration liefert keinen operativen Mehrwert. Im Vergleich zur ersten KI (die immerhin eine Differenzmaske zur Fehlerdiagnose erzeugte) findet hier fast keine Transformation statt. Das Modell verhält sich wie ein transparenter Filter mit vernachlässigbarer Wirkung.

AI_Epoch_70_500_Images

Ziel der KI

Diese KI wurde mit 500 Bildern für 70 Epochen trainiert. Ziel war es, die Fehler der vorangegangenen Versuche zu überwinden und eine echte Rekonstruktion des Bildes zu erreichen.

Status der Umsetzung: Das Ziel wurde erfolgreich erreicht. Dieses Modell ist das erste, das eine tatsächliche Bildverbesserung (Denoising) durchführte. Das Rauschen wird nicht mehr nur isoliert oder ignoriert, sondern aktiv aus dem Bildmaterial herausgerechnet, um ein bereinigtes Output-Bild zu generieren.

Ergebnisse der Analyse (Erfolgreiches Denoising)

Im Vergleich zu den vorherigen Testreihen zeigt der Output hier eine signifikante Steigerung der Bildqualität. Die störenden Artefakte wurden entfernt, während die zugrunde liegende Struktur erhalten blieb.

Motiv	Rauschtyp	Beobachtung der Bildverbesserung
Ente_SaltPepper	Impulsrauschen	Nahezu vollständige Entfernung der Störpixel. Das Fahrzeug ist nun rauschfrei sichtbar (siehe Abb. 1).
dustCCD	Sensorstaub	Die meisten punktuellen Defekte wurden erfolgreich wegretuschiert.
noisylena / Zion	Gaußsches Rauschen	Starke Glättung der Körnigkeit bei weitgehendem Erhalt der Motivkanten.
Campus	Komplexes Rauschen	Effektive Bereinigung der Flächen ohne die zuvor beobachtete Kachelbildung.