Automatische Staubkorrektur in digitalen Fotografien: Wie DxO PureRAW ⁶ mithilfe von Deep Learning Staubflecken erkennt und entfernt

DxO PureRAW ⁶ führt die automatische Stauberkennung und -entfernung ein: Ein einziger Klick identifiziert Staubflecken im gesamten Bild und beseitigt sie – ein mühsamer manueller Prozess wird so vollständig automatisiert. Die Funktion kombiniert ein hochmodernes neuronales Netz zur Objekterkennung mit DxOs bewährter Retusche-Engine.

Die wichtigsten Vorteile für Anwender

• Vollautomatischer Workflow. Stauberkennung und -entfernung lassen sich per Kontrollkästchen aktivieren. Stapelverarbeitung eines kompletten Shootings – jedes Bild wird makellos bereinigt.
• Einstellbare Empfindlichkeit. Ein Schieberegler ermöglicht es, zwischen dem Erfassen möglichst aller Flecken (hohe Empfindlichkeit) und der Vermeidung von Fehlern (niedrige Empfindlichkeit) abzuwägen.

(Trotzdem empfehlen wir, die Ausrüstung hin und wieder zu reinigen. )

Das Problem

Kameras mit Wechselobjektiven neigen dazu, Staub auf dem Sensor oder den Objektiven anzusammeln. Diese Partikel erzeugen kleine, weiche Schatten in den Bildern, die besonders bei gleichmäßigen, homogenen Bereichen wie Himmel oder Studio-Hintergründen auffallen.

Fotografen lösen diese Probleme traditionell in der Nachbearbeitung mit Reparatur-, Klon- und Retusche-Werkzeugen. Bei stark betroffenen Bildern oder großen Bildmengen wird das schnell zur mühsamen Fleißarbeit.

DxO PureRAW ⁶ automatisiert diesen Prozess. Ein Erkennungsalgorithmus durchsucht das Bild nach Staubflecken, und ein Retusche-Algorithmus entfernt jeden einzelnen automatisch.

Darum ist Stauberkennung so anspruchsvoll

Auf den ersten Blick scheint Sensorstaub leicht zu beschreiben: kleine, dunkle, annähernd kreisförmige Flecken. Doch die scheinbare Einfachheit täuscht. Gleich mehrere Eigenschaften machen eine zuverlässige Erkennung überraschend schwierig.

Extreme Subtilität. Die meisten Staubflecken schwächen nur einen kleinen Teil des einfallenden Lichts ab – oft lediglich 5 bis 20 Prozent. Es handelt sich um blasse Trübungen, nicht um deckende Flecken, und ihre Sichtbarkeit hängt stark vom darunterliegenden Bildinhalt ab.

Winzige räumliche Ausdehnung. In voller Auflösung umfasst ein typischer Staubfleck nur wenige Pixel – zu klein für universelle Objektdetektoren, die auf Menschen oder Fahrzeuge optimiert sind.

Keine ausgeprägte Struktur. Im Gegensatz zu Objekten, bei denen gängige Detektoren glänzen – ein Gesicht mit Augen, Nase und Mund; ein Auto mit Rädern und Fenstern –, bietet ein Staubfleck einem neuronalen Netz kaum Anhaltspunkte. Im Grunde ist er nur ein schwacher, dunkler Fleck.

Enorme Variabilität. Das Erscheinungsbild eines Staubflecks hängt von der Größe und Form des Partikels, seinem Abstand zur Sensoroberfläche, der Blende des Objektivs sowie von der Farbe und Helligkeit der zugrundeliegenden Szene ab. Manche Flecken sind scharfkantige Kreise, andere weiche, diffuse Halos. Einige erscheinen nahezu schwarz vor hellem Himmel, andere lassen sich kaum vom Rauschen unterscheiden. Die Vielfalt ist weit größer, als es ein flüchtiger Blick vermuten lässt. Die Abhängigkeit von Blende und Szene führt dazu, dass ein und dasselbe physische Partikel von Aufnahme zu Aufnahme ganz unterschiedlich aussehen kann.

Das Erkennungsmodell: RF-DETR

Das Herzstück der Funktion ist RF-DETR, eine transformerbasierte Architektur zur Objekterkennung. Wir haben mehrere Erkennungsarchitekturen getestet, darunter verschiedene Generationen CNN-basierter Modelle. RF-DETR wurde aus einer Kombination von Gründen ausgewählt:

Höchste Erkennungsgenauigkeit. RF-DETR erzielt Spitzenwerte in Standard-Benchmarks zur Objekterkennung und übertrifft viele bekannte Alternativen.

Mehrere Modellgrößen. Die Varianten Nano, Small, Medium, Large und XL erlauben es, den optimalen Kompromiss zwischen Genauigkeit und Rechenaufwand zu wählen. Wir haben die Variante Medium (33 Millionen Parameter) gewählt.

Auflösungsunabhängige Architektur. RF-DETR enthält keine vollständig verbundenen Schichten, die eine feste Eingangsauflösung erzwingen würden. Diese Flexibilität ist entscheidend für unsere gekachelte Inferenzstrategie: Das Bild wird in überlappende 512 × 512 Pixel große Kacheln unterteilt, und das Erkennungsmodell verarbeitet jede Kachel unabhängig. Anschließend werden die Ergebnisse über das gesamte Bild zusammengeführt.

In Standard-Benchmarks erkennt RF-DETR Dutzende Objektkategorien – Menschen, Fahrzeuge, Tiere, Möbel. Für unser Anwendungsbeispiel haben wir das Modell auf eine einzige Klasse trainiert: Staubfleck. Die Herausforderung liegt nicht in der Klassifikation, sondern in der Erkennung – dem Auffinden winziger, kontrastarmer Merkmale in einem riesigen Bild.

Trainingsdaten

Das Training eines zuverlässigen Staubdetektors erfordert, das Netzwerk mit einer sehr großen Zahl von Beispielen zu konfrontieren, die jede denkbare Kombination aus Staubform, Deckkraft, Unschärfe und Hintergrund abdecken.

Zunächst haben wir Tausende realer Fotografien mit echten Staubflecken gesammelt und sorgfältig von Hand gekennzeichnet. Dieser reale Datensatz deckt bereits eine große Vielfalt an Staubformen, -größen, Deckkraft, Unschärfe und Hintergründen ab – doch wir wollten noch weiter gehen.

Mit seiner Expertise in der Bild- und Signalverarbeitung hat unser Forschungsteam einen Staubsynthesizer entwickelt: einen kompakten Algorithmus, der einen Staubfleck erzeugt – von einem echten nicht zu unterscheiden – und ihn auf einen zufälligen fotografischen oder synthetischen Hintergrund montiert. Der Synthesizer modelliert die zentralen physikalischen Eigenschaften realer Staubpartikel: die unregelmäßige Tropfenform, die kanalweise Lichtabschwächung im linearen Farbraum, die Unschärfe an den Rändern sowie die optionale gerichtete Schattierung, die manche Partikel aufweisen. Jeder Parameter wird innerhalb sorgfältig kalibrierter Bereiche zufällig variiiert, die aus der statistischen Analyse realer Staubflecken abgeleitet wurden.

Dieser synthetische Ansatz gewährleistet eine gleichmäßige Verteilung von Staubeigenschaften und Hintergründen im gesamten Trainingsdatensatz und vermeidet so die Verzerrungen, die in manuell zusammengestellten Datensätzen unvermeidlich auftreten. Er stellt beispielsweise sicher, dass das Netzwerk genügend sehr schwache Flecken, genügend sehr kleine Flecken und genügend ungewöhnliche Hintergründe zu sehen bekommt – Kombinationen, die in einer rein realen Sammlung unterrepräsentiert wären.

Insgesamt hat unser Stauberkennungsnetzwerk im Laufe seines Trainings rund eine Million Staubflecken gesehen – eine Mischung aus realen und synthetischen Daten.

DeepPRIME XD3: KI-gestützte Rauschminderung und Demosaicing der vierten Generation

DxO PureRAW⁶ führt DeepPRIME XD3 für Bayer-Sensoren ein, die neueste Generation von DxOs Deep-Learning-Engine für die Verarbeitung von RAW-Bildern. Ein einziges neuronales Netz übernimmt jetzt drei Aufgaben gleichzeitig — Rauschminderung, Demosaicing und Korrektur chromatischer Aberrationen — und liefert Bilder mit noch feineren Details als sein Vorgänger.

Die Technologie basiert auf drei zentralen Säulen: einer neuen Multitasking-Formulierung, die das Netz um die Korrektur chromatischer Aberrationen erweitert, einer optimierten Faltungsarchitektur, die aus umfangreicher Forschung hervorgegangen ist, und einer deutlich verbesserten Trainingspipeline, die die Lücke zwischen synthetischen Trainingsdaten und realen RAW-Bildern schließt.

Die wichtigsten Vorteile

• Bessere Bildqualität. Sauberere Farbwiedergabe, feinere Details und weniger Artefakte, insbesondere bei Hochfrequenz-Texturen und Kanten sowie vor allem bei neueren Sensoren ohne optischen Tiefpassfilter.
• Identische Verarbeitungsgeschwindigkeit. Trotz eines deutlich leistungsfähigeren Netzes läuft DeepPRIME XD3 auf handelsüblicher Hardware genauso schnell wie DeepPRIME XD2s.
• Umfassende Kompatibilität. DeepPRIME XD3 bündelt unsere neuesten Weiterentwicklungen in der RAW-Bildverarbeitung und unterstützt nun sämtliche Sensortypen.

Sechs Jahre Entwicklung

Die RAW-Konvertierung — also der Prozess, bei dem das Mosaik aus verrauschten, einfarbigen Sensormesswerten in ein vollständiges Farbbild umgewandelt wird — steht seit über zwei Jahrzehnten im Zentrum der Expertise von DxO. Im Jahr 2020 stellte DxO DeepPRIME vor – das erste kommerziell verfügbare neuronale Netz, das Rauschminderung und Demosaicing in einem einzigen Verarbeitungsschritt kombinierte.

Seitdem treiben wir die Entwicklung unermüdlich voran — mit dem Ziel, die Bildqualität immer weiter zu verfeinern. Deep Learning und dieser ganzheitliche Ansatz ermöglichten es uns schließlich auch, X-Trans-Sensoren zu unterstützen — eine Sensortechnologie, die in einem Teil des Kameraportfolios von Fujifilm zum Einsatz kommt. Diese Sensoren wurden von unseren klassischen Algorithmen zur Rauschminderung bis dahin nicht unterstützt. 2022 führten wir die „XD“-(eXtreme Details)-Familie ein — eine zweite Generation von DeepPRIME-Engines, die auf maximale Bildqualität ausgelegt ist. Dies ging allerdings mit einem deutlich höheren Rechenaufwand einher und erforderte eine leistungsstarke GPU — oder ein gewisses Maß an Geduld.

2020 — DxO PhotoLab⁴

DeepPRIME. Zeitgleiches Entrauschen und Demosaicing innerhalb eines einzigen tiefen neuronalen Netzes (nur für Bayer-Sensoren).

2022 – DxO PureRAW ²
DeepPRIME wird auf X-Trans-Sensoren erweitert.

2022 — DxO PhotoLab⁶
DeepPRIME XD („eXtreme Details“). Leistungsfähigere Architektur und perzeptuelle Verlustfunktion für feinere Details (nur Bayer).

2023 — DxO PureRAW ³
DeepPRIME XD wird auf X-Trans-Sensoren ausgeweitet.

2024 – DxO PureRAW ⁴
DeepPRIME XD2. Adversarial-Discriminator-Loss (kontradiktorischer Diskriminator-Verlust) für eine natürlichere Bildwiedergabe (nur Bayer).

2024 – DxO PhotoLab⁸
DeepPRIME XD2s. Verbesserte Kalibrierung des Rauschverhaltens für ausgewählte Kamerabodys.

2025 – DxO PureRAW ⁵
DeepPRIME 3. Kombination von drei Aufgaben: Rauschminderung, Demosaicing und Korrektur chromatischer Aberrationen (für Bayer- und X-Trans-Sensoren).

2025 – DxO PhotoLab⁹
DeepPRIME XD3. Leistungsfähigere Architektur und zweiphasiges Training (nur für X-Trans-Sensoren).

2026 – DxO PureRAW ⁶
DeepPRIME XD3 wird auf Bayer-Sensoren ausgeweitet.

Bei der Entwicklung von DeepPRIME XD3 lag es nahe, zunächst den Fokus auf X-Trans zu legen: Die X-Trans-Version von DeepPRIME XD war älter und leichter zu optimieren als DeepPRIME XD2s, das bereits für Bayer-Fotografen verfügbar war. Für Letztere entstand dadurch eine etwas kompliziertere Ausgangslage. Bei den meisten Bildern lieferte DeepPRIME XD2s die höchste Qualität – bei bestimmten Aufnahmen mit niedrigem ISO und chromatischer Aberration konnte DeepPRIME 3 jedoch tatsächlich bessere Ergebnisse erzielen. Die Veröffentlichung von DeepPRIME XD3 für Bayer-Sensoren bringt uns endlich zu einer Einfachheit zurück, die wir seit 2023 vermisst haben: Unabhängig von der verwendeten Kamera stehen Ihnen zwei RAW-Konvertierungsmodelle zur Auswahl – eines, das eine ausgewogene Balance zwischen Geschwindigkeit und Bildqualität bietet, und eines, das kompromisslos auf höchste Bildqualität ausgerichtet ist.

Die Herausforderung der Wiedergabe von RAW-Bildern

Jedes von einem CMOS-Sensor aufgenommene digitale Bild enthält drei grundlegende Defekte, die allesamt bereits vor der Bearbeitung durch eine Software entstehen:

Farbmosaik. Der Sensor erfasst nicht für jedes Pixel die vollen Farbinformationen. Stattdessen lässt ein Raster winziger Farbfilter jede Fotodiode nur eine der drei Farben (Rot, Grün oder Blau) aufzeichnen. Die Rekonstruktion der beiden fehlenden Farbwerte an jedem Pixel ist die Aufgabe des Demosaicings. In der Digitalfotografie sind zwei Farbfiltermuster verbreitet: Bayer, das von rund 95 % aller Digitalkameras verwendet wird, und X-Trans, das in den verbleibenden etwa 5 % zum Einsatz kommt.

Sensorrauschen. Jede Fotodiode sammelt eine zufällige Anzahl von Photonen. Das daraus resultierende Schrotrauschen, auch Photonenrauschen genannt, ist eine unvermeidbare Eigenschaft des Lichts selbst und wird zusätzlich durch elektronisches Ausleserauschen verstärkt. Bei hohen ISO-Empfindlichkeiten kann Rauschen feine Bilddetails vollständig überdecken.

Chromatische Aberration. Die meisten Objektive fokussieren nicht alle Wellenlängen des Lichts exakt auf denselben Punkt. Das Ergebnis sind kleine laterale Verschiebungen zwischen dem Rot-, Grün- und Blaukanal, die sich als Farbsäume entlang kontrastreicher Kanten bemerkbar machen.

Herkömmliche RAW-Verarbeitung behandelt diese drei Probleme getrennt: Ein Demosaicing-Algorithmus interpoliert die fehlenden Farbwerte, ein separater Rauschfilter reduziert das Bildrauschen, und ein drittes Modul korrigiert chromatische Aberrationen. Jedes Modul arbeitet isoliert, ohne Kenntnis der Entscheidungen der anderen – und kann dabei eigene Artefakte erzeugen, die den folgenden Verarbeitungsschritt zusätzlich erschweren. DxOs Ansatz besteht seit der Einführung von DeepPRIME im Jahr 2020 darin, mehrere Probleme gemeinsam in einem einzigen neuronalen Netz zu lösen. Mit DeepPRIME XD3 erstreckt sich dieses Prinzip nun auf alle drei Defekte.

Drei Defekte, ein Netz

Rauschminderung, Demosaicing und die Korrektur chromatischer Aberrationen gemeinsam zu behandeln, ergibt sich aus ihrer grundlegenden wechselseitigen Abhängigkeit.

Betrachten wir, was passiert, wenn diese Aufgaben voneinander getrennt werden. Die Rauschminderung eines RAW-Bildes setzt ein gewisses Verständnis dafür voraus, wie das Mosaikmuster mit der zugrunde liegenden Szene zusammenhängt — im Grunde ein implizites Demosaicing im laufenden Prozess. Umgekehrt erfordert das Demosaicing eines verrauschten Bildes die Fähigkeit, Strukturen trotz des vorhandenen Rauschens zuverlässig zu erkennen – gewissermaßen eine implizite Rauschminderung. Denn für eine korrekte Farbinterpolation ist die Unterscheidung zwischen echten Kanten und bloßen Rauschfluktuationen entscheidend. Und das Demosaicing eines von chromatischer Aberration betroffenen Bildes stellt nahezu dasselbe Problem dar wie deren Korrektur: Wenn Rot-, Grün- und Blaukanal lateral gegeneinander verschoben sind, setzt die Rekonstruktion der korrekten Farbe für jedes Pixel ein Modell davon voraus, wie das Bild aussähe, wenn die Kanäle korrekt ausgerichtet wären.

Die Aufteilung dieser drei Aufgaben auf drei separate Netze — selbst wenn diese darauf trainiert wären, mit den in der vorherigen Stufe erzeugten Artefakten umzugehen — würde insgesamt mehr gewichtete Parameter und einen höheren Rechenaufwand erfordern, da jedes Netz intern einen Teil der Intelligenz der anderen Netze nachbilden müsste. Das Ergebnis wären längere Verarbeitungszeiten bei gleicher Qualität oder geringere Qualität bei gleicher Geschwindigkeit.

Ein einziges Netz hingegen kann interne Darstellungen für alle drei Aufgaben gemeinsam nutzen. Die Merkmale, die das System zur Kantenerkennung für das Demosaicing erlernt, unterstützen zugleich die Unterscheidung zwischen Signal und Rauschen sowie die Identifikation lateraler chromatischer Abweichungen.

Synthetische Trainingsdaten

Ein neuronales Netz ist nur so gut wie die Daten, aus denen es lernt. Für DeepPRIME XD3 sind sowohl die Qualität und der Realismus der Trainingsdaten als auch die Architektur des neuronalen Netzes selbst von entscheidender Bedeutung.

Das Problem der Trainingsdaten

Als die Forschungsarbeiten zu DeepPRIME im Jahr 2018 bei DxO begannen, stellte sich eine grundlegende Frage: Wie lassen sich Trainingsbeispiele beschaffen, die ein überwacht lernendes neuronales Netz benötigt — also Paare aus qualitativ degradierten Eingabebildern und den zugehörigen perfekten Referenzbildern?

Alle Optionen standen zur Debatte. Zunächst erschien es naheliegend, ein Paar realer Aufnahmen zu erstellen — eine „saubere“ Aufnahme bei niedriger ISO-Empfindlichkeit neben einer verrauschten Aufnahme derselben Szene bei hoher ISO-Empfindlichkeit. In der Praxis erwies sich dieser Ansatz jedoch als unbrauchbar: Die beiden Belichtungen lassen sich nie exakt aufeinander abstimmen, bewegte Motive führen zu Inkonsistenzen, und das Verfahren müsste zudem für jedes von DxO unterstützte Kameramodell und jede ISO-Einstellung erneut durchgeführt werden. Auch der Noise-to-Noise-Ansatz, der Serienaufnahmen statt perfekter Referenzbilder nutzt, kämpft mit vergleichbaren Skalierungsgrenzen. Auch die klassische Datenanreicherung — das Fundament der meisten überwachten Lernverfahren — ist in diesem Fall schlicht nicht praktikabel: Kein Mensch kann ein verrauschtes Mosaik aus einkanaligen Pixelwerten betrachten und daraus für Milliarden von Pixeln eine korrekte, vollfarbige und zugleich rauschfreie Referenzausgabe ableiten.

Übrig blieb die synthetische Datengenerierung: Ausgehend von makellosen, hochwertigen Fotografien werden die Defekte simuliert, die ein realer Kamerasensor erzeugen würde. Jedes Trainingsbeispiel besteht somit aus einem Paar: einem synthetisch degradierten Bild und der ursprünglichen makellosen Version als Ground Truth. Auf dem Papier ist dies bei Weitem die am besten skalierbare Lösung. DxO unterstützt über 600 Kamerabodys mit jeweils rund 20 ISO-Einstellungen — das ergibt mehr als 12.000 mögliche Konfigurationen. Und diese Zahl berücksichtigt nur das Rauschen: Chromatische Aberration hängt vom Objektiv, der Blende, der Zoomeinstellung und der Entfernungseinstellung ab. Würde man für jede Kombination aus Kamera, ISO-Einstellung und Objektiv reale Bildpaare aufnehmen, würde die Zahl der erforderlichen Konfigurationen auf mehrere Millionen anwachsen. Die synthetische Generierung kann all diese Kombinationen aus demselben Pool von Ground-Truth-Bildern abdecken.

Die Verteilungslücke

Die Herausforderung bei synthetischen Daten ist ein Phänomen, das als Verteilungslücke (Distribution Gap) bezeichnet wird: dem statistischen Unterschied zwischen den simulierten Trainingsbildern und den realen RAW-Dateien, denen das Netz im praktischen Einsatz begegnet.

Eine einfache Simulation — bei der die Farbkanäle leicht gegeneinander verschoben werden, um chromatische Aberration nachzuahmen, zwei der drei Farbwerte entfernt werden, um das Bayer-Mosaik zu simulieren, und anschließend weißes Gaußsches Rauschen hinzugefügt wird — genügt, um die oben dargestellten Abbildungen für dieses Whitepaper zu erzeugen. Zum Trainieren eines neuronalen Netzes reicht sie jedoch nicht aus. Ein auf derart idealisierten Daten trainiertes Netz würde bei synthetischen Bildern aus derselben Simulation gut abschneiden – auch bei Bildern, die es während des Trainings nie gesehen hat –, an echten RAW-Dateien von echten Kameras aber scheitern.

Reale RAW-Bilder unterscheiden sich in unzähligen Aspekten von einer einfachen Simulation:

Rauschen ist nicht rein weißes Gaußsches Rauschen. Das Photonenrauschen – auch als Schrotrauschen bezeichnet – ist tatsächlich weiß und signalabhängig, eine Eigenschaft, die direkt aus der Physik des Lichts resultiert. Reale Sensordaten setzen sich aus einer Mischung aus Photonenrauschen und elektronischem Rauschen zusammen. Elektronisches Rauschen — etwa Ausleserauschen, Dunkelstrom, Streifenbildung — kann räumliche Korrelationen, nicht-Gaußsche Ausreißer und feste Muster aufweisen, die sich je nach Sensorarchitektur unterscheiden.

Chromatische Aberration variiert über das gesamte Bildfeld hinweg. Laterale Farbverschiebungen sind nicht gleichmäßig verteilt: Ihre Stärke und Richtung verändern sich von der Bildmitte zu den Ecken hin und folgen den optischen Eigenschaften des jeweiligen Objektivs.

„RAW“ Dateien sind nicht wirklich RAW. Bevor die Daten auf die Speicherkarte geschrieben werden, führt die Kamera eine Reihe von internen Verarbeitungsschritten durch, die das Signal verändern: Schwarzwert-Korrektur, Subtraktion von feststehendem Musterrauschen, statische Korrektur defekter Pixel und Interpolation von Fokuspixeln. Manche Hersteller gehen sogar noch einen Schritt weiter und wenden auf das, was sie als RAW-Daten bezeichnen, verlustbehaftete Komprimierung oder sogar eine Form der Rauschminderung an.

Das Verhalten eines Sensors ändert sich mit seiner Nutzung. Das Rauschverhalten kann sich je nach Sensortemperatur, verwendetem Verschluss (mechanisch oder elektronisch) und weiteren Einsatzbedingungen verändern. All diese Faktoren unterscheiden sich je nach Hersteller und Kamerageneration. Die Hersteller dokumentieren ihre internen Verarbeitungsprozesse nicht. Was genau sie dabei tun, lässt sich nur durch sorgfältige Beobachtung erschließen.

Die Lücke schließen

Seit 2018 nutzt DxO alle verfügbaren Mittel, um die Verteilungslücke zu minimieren: zwei Jahrzehnte Erfahrung in der Bildsignalverarbeitung sowie insbesondere eine firmeneigene Kalibrierungsdatenbank, die in der Branche ihresgleichen sucht. Für jedes unterstützte Kameragehäuse und jede ISO-Einstellung hat das Labor von DxO Kalibrierungsbilder aufgenommen und analysiert – sowohl fotografische Motive als auch Dunkelbilder. Ziel war es, nicht nur die Standardabweichung des Rauschens zu bestimmen, sondern sein vollständiges statistisches Profil zu erfassen: seine Verteilung, mögliche räumliche Korrelationen infolge der kamerainternen Verarbeitung sowie die Art und Weise, wie sich diese Eigenschaften über den Sensor hinweg und unter unterschiedlichen Betriebsbedingungen verändern. Diese Datenbank, die ursprünglich für DxOs klassische Algorithmen zur Rauschminderung aufgebaut wurde, erwies sich als unschätzbar wertvolle Grundlage für das Training neuronaler Netze.

Manchmal zeigen sich bei bestimmten Kameras jedoch Lücken, die von der bestehenden Simulation nicht abgedeckt werden. Ein aktuelles Beispiel veranschaulicht diese Herausforderung: Fujifilms X-Trans-Sensoren der 4. und 5. Generation, bei denen sich im Vergleich zu den ersten drei Generationen etwas verändert hat. Trotz intensiver Bemühungen gelang es unserer DeepPRIME XD2-Trainingspipeline nie, für diese Sensoren zufriedenstellende Ergebnisse zu erzielen. Aus diesem Grund wurden DeepPRIME XD2 und XD2s ausschließlich für Bayer-Sensoren veröffentlicht.

Für DeepPRIME XD3 hatte die korrekte Unterstützung dieser Sensoren höchste Priorität. Über mehrere Monate hinweg analysierte das Team im Detail, worin sich die neueren X-Trans-Sensoren von ihren Vorgängern unterscheiden, und passte die Synthese der Trainingsdaten systematisch an. Auf diese Weise konnte die Verteilungslücke so weit reduziert werden, dass das Netz die erlernten Modelle zuverlässig auf reale Aufnahmen dieser Kameras übertragen konnte.

Die beste Architektur finden

Die Hinzunahme einer dritten Aufgabe und der Anspruch an eine bessere Demosaicing-Qualität erforderten ein leistungsfähigeres Netz. Das Team startete mit einer umfassenden Untersuchung. Transformer-Architekturen, die heute viele Bereiche des Deep Learning dominieren, wurden zusammen mit mehreren Designs konvolutionaler neuronaler Netze (CNN) getestet. Für genau diese Aufgabe — die Rekonstruktion feiner, lokaler Bilddetails aus verrauschten und unvollständigen Daten — erwiesen sich CNNs als die effektivere Lösung. Ihre inhärent lokal begrenzte Ausrichtung, die sich auf kleine räumliche Bereiche konzentriert, begünstigt eine effektive Glättung des Rauschens, ohne dabei Strukturen zu erzeugen, die im Originalbild nicht vorhanden sind. Transformer-Architekturen, die auf die Modellierung weitreichender Abhängigkeiten ausgelegt sind, neigten eher dazu, Rauschen bestehen zu lassen, als es wirksam zu unterdrücken. Für einen Rauschminderungsalgorithmus erweist sich die Tendenz eines CNN zur lokalen Regelmäßigkeit als klarer Vorteil und keineswegs als Einschränkung.

Ein früher Prototyp von DeepPRIME XD3 erreichte zwar die angestrebte Bildqualität, war jedoch rund dreimal langsamer als DeepPRIME XD2s — deutlich zu langsam für ein Produktionswerkzeug, das auf Tausende von Bildern angewendet wird. Die Herausforderung bestand also darin, eine Architektur zu finden, die ebenso intelligent arbeitet und dabei dieselbe Rechnerleistung erfordert. Das Team untersuchte verschiedene Designs für Faltungsblöcke, setzte separierbare Faltungen anstelle der in früheren Generationen verwendeten vollständigen 3D-Faltungen ein, testete unterschiedliche Aktivierungsfunktionen und variierte den Rechenaufwand, der den einzelnen Ebenen des U-Net zugewiesen wurde.

Jede der in Frage kommenden Architekturen wurde etwa drei Wochen lang auf einer Nvidia H100 GPU trainiert. Insgesamt wurden rund 50 Konfigurationen evaluiert, was einer kumulierten Rechenzeit von etwa drei Jahren auf H100-GPUs entspricht — ausschließlich für die Erforschung der Architektur.

Dieser gesamte Prozess wurde zweimal durchgeführt: zunächst für X-Trans, anschließend für Bayer. Dies ist der Hauptgrund, warum die Bayer-Version erst jetzt in DxO PureRAW ⁶ erscheint, während die X-Trans-Version bereits sechs Monate zuvor in DxO PhotoLab⁹ veröffentlicht wurde.

Das Ergebnis ist ein Netz mit deutlich mehr Parametern als DeepPRIME XD2s, dessen Architektur jedoch so gestaltet wurde, dass die Inferenzzeit auf handelsüblicher Hardware weitgehend unverändert bleibt. Mehr gewichtete Parameter, mehr Intelligenz, aber keine spürbare Einbuße bei der Verarbeitungsgeschwindigkeit.

Wiedereinführung von Rauschen – ein neuer Ansatz

Vor fast zwanzig Jahren machten die Forschungsingenieure von DxO eine Beobachtung, die bis heute Gültigkeit hat: Es ist sehr schwierig, einen Rauschminderungsalgorithmus so zu gestalten, dass er nur einen Teil des Rauschens entfernt. Rauschunterdrückungsverfahren — von den frühen Wavelet- und Non-Local-Means-Filtern bis hin zu modernen neuronalen Netzen — erzielen in der Regel die besten Ergebnisse, wenn sie darauf ausgelegt sind, möglichst sämtliches Rauschen zu entfernen. Der Versuch, Rauschen nur teilweise zu entfernen, führt hingegen häufig zu unerwünschten Artefakten. Je leistungsfähiger der Rauschfilter, desto mehr Details bleiben erhalten; dennoch entfernen selbst die besten Verfahren neben dem Rauschen unweigerlich auch einige feine Bildstrukturen.

Vollständig entrauschte Bilder wirken oft unnatürlich glatt. Deshalb verfolgen unsere Forscher einen einfachen, aber effektiven Ansatz: Zuerst wird das Rauschen vollständig entfernt, danach wird ein kleiner Teil davon wieder in das Bild zurückgerechnet, damit seine natürliche Struktur erhalten bleibt. Das Wiedereinführen eines Teils des ursprünglichen Rauschens — anstelle von synthetischem weißem Rauschen — bietet einen entscheidenden Vorteil: Es stellt zugleich einen Teil der feinen Bilddetails wieder her, die während der Verarbeitung verloren gegangen sind. Das erste Produkt mit dieser Technik war DxO OpticsPro 5, das 2008 auf den Markt kam. Auch wenn DeepPRIME XD3 deutlich leistungsfähiger ist als die Rauschunterdrückungs- und Demosaicing-Algorithmen jener Zeit, bleibt das zugrunde liegende Prinzip weiterhin gültig.

Für DxO PureRAW ⁶ haben wir die Wechselwirkung zwischen dieser Wiedereinführung von Rauschen und unseren Objektivkorrekturen grundlegend überarbeitet, insbesondere im Hinblick auf Vignettierung und Verzeichnungskorrektur. Beide Korrekturen greifen nun, bevor das Restrauschen wieder ins Bild zurückkehrt. So lassen sich das eigentliche Bildsignal und die Rauschanteile bewusst unterschiedlich berücksichtigen.

Vignettierung. Das Ausmaß des Bildrauschens in RAW-Bildern hängt in nichtlinearer Weise vom Signalpegel ab. Bei einem Objektiv mit starker Vignettierung nimmt das Signal-Rausch-Verhältnis im Randbereich deutlich ab. Wenn wir die Bildränder aufhellen, um eine gleichmäßige Helligkeit zu erzielen, verstärken wir zugleich das dort vorhandene Rauschen, sodass es an den Rändern sichtbarer wird als in der Bildmitte. Die Lösung besteht darin, das Rauschmodell — die bekannte Beziehung zwischen Signal- und Rauschpegel — zu nutzen, um einen Korrekturfaktor abzuleiten, der ein gleichmäßiges Rauschverhalten über das gesamte Bild hinweg sicherstellt. Dieser Faktor wird auf das Rauschen angewendet, bevor es dem Bild wieder hinzugefügt wird.

Verzeichnung. Die Verzeichnungskorrektur erfordert eine geometrische Interpolation des Pixelrasters. Wird diese Interpolation auf weißes Rauschen angewendet, entstehen zwei unerwünschte Effekte: Zum einen bildet sich eine künstliche Struktur im Rauschmuster, zum anderen treten periodische Schwankungen im Rauschpegel auf. An Stellen, an denen die interpolierte Koordinate mit einem realen Pixel übereinstimmt, bleibt das Rauschen unverändert erhalten. Liegt die Koordinate hingegen zwischen zwei Pixeln, wird das Rauschen durch die Interpolation geglättet und verliert an Stärke. In DxO PureRAW ⁶ lösen wir dieses Problem, indem wir einen speziell entwickelten Interpolationsalgorithmus getrennt auf die Rauschkomponente anwenden. Dadurch bleibt deren Intensität auch nach der Verzeichnungskorrektur gleichmäßig.

Beide Effekte treten besonders bei hohen ISO-Werten deutlich hervor, da das verbleibende Rauschen — selbst wenn es nur einen Bruchteil des ursprünglichen Rauschens darstellt — deutlich wahrnehmbar bleibt.

Diese überarbeitete Wiedereinführung von Rauschen kommt sowohl in DeepPRIME 3 als auch in DeepPRIME XD3 zum Einsatz. Dies ist ein gutes Beispiel dafür, wie sehr uns auch die kleinsten Details am Herzen liegen: Unser Anspruch ist nicht „nur“, den besten Rauschminderungsalgorithmus der Welt zu bauen, sondern die weltweit beste Engine für RAW-Konvertierung.

Die Ergebnisse

Die tatsächliche Wirkung all dieser Fortschritte hängt vom Bildinhalt und den Aufnahmeparametern ab. Im Vergleich zu DeepPRIME XD, das DeepPRIME XD3 für X-Trans-Sensoren ablöst, liefert die neue Engine in der Regel sauberere und natürlichere Ergebnisse. Im Vergleich zu DeepPRIME 3 liefert die neue Engine bei allen ISO-Empfindlichkeiten fast immer Bilder, die sowohl rauschärmer als auch detailreicher sind. Der Unterschied zu DeepPRIME XD2s fällt subtiler aus: DeepPRIME XD3 zeigt seine Stärken vor allem bei Bildern mit feinen Texturen, lichtstarken Objektiven, Sensoren ohne optischen Tiefpassfilter sowie bei Objektiven, die zu chromatischer Aberration neigen. Die Verbesserungen beim Demosaicing und bei der Korrektur chromatischer Aberration zeigen sich vor allem bei niedrigen ISO-Werten, während die optimierte Detailerhaltung insbesondere bei mittleren bis hohen ISO-Einstellungen zum Tragen kommt.

So reduziert DxOs bahnbrechender Ansatz DNG-Dateien auf ein Viertel ihrer Größe – ohne Qualitätsverlust

DxO PureRAW ⁶ führt eine neue High-Fidelity-Komprimierungsoption für das DNG-Format ein, die die Dateigröße gegenüber der bisherigen verlustfreien Komprimierung um etwa den Faktor vier reduziert – bei vollständig beibehaltender, wahrnehmungsgetreuer Bildqualität.

DxOs neue High-Fidelity-Komprimierungstechnologie kombiniert zwei sich ergänzende Verfahren: die Dynamikumfangs-Komprimierung und den JPEG XL-Bildcodec.

Die wichtigsten Vorteile

• 4x kleinere Dateien — Ein lineares DNG einer 50-MP-Kamera schrumpft von ca. 200 MB auf ca. 50 MB. Das macht lineares DNG alltagstauglich — auch für Workflows mit hohem Bildvolumen. Kleinere Dateien ermöglichen schnellere Importe, beschleunigen die Cloud-Synchronisierung und reduzieren den benötigten Speicherplatz erheblich.
• Höchste Wiedergabetreue — Die Komprimierung ist selbst bei intensiver Bearbeitung nicht wahrnehmbar.
• Kompatibilität — Die Ausgabe bleibt eine Standard-DNG-Datei. Jede DNG-kompatible Anwendung (etwa Adobe Lightroom, Capture One etc.) kann diese Dateien problemlos öffnen und wie gewohnt weiterverarbeiten.

Warum stärker komprimieren?

Lineares DNG ist das von DxO empfohlene Ausgabeformat für DxO PureRAW, da es den maximalen Bearbeitungsspielraum bewahrt und zugleich eine umfassende Kompatibilität mit RAW-Prozessoren von Drittanbietern gewährleistet. Trotz der in der DNG-Spezifikation integrierten verlustfreien Komprimierung erreicht eine typische lineare DNG-Datei eine Größe von etwa 4 MB pro Megapixel. Bei einer 50-MP-Kamera entspricht dies 200 MB pro Bild.

Es liegt daher nahe, diese Dateien deutlich stärker zu komprimieren.
Doch wie weit lässt sich die Komprimierung treiben, ohne die Qualität zu beeinträchtigen?

Von verlustfrei zu wahrnehmungstechnisch verlustfrei

Die verlustfreie Komprimierung gilt sowohl für Entwickler als auch für Anwender als der zuverlässigste Ansatz, da sie sicherstellt, dass die dekomprimierte Datei mathematisch exakt mit dem Original übereinstimmt – Bit für Bit. Allerdings sind der Effizienz solcher Algorithmen von Natur aus Grenzen gesetzt – insbesondere dann, wenn das zu komprimierende Signal Informationen enthält, die aus wahrnehmungsbezogener Sicht keinen relevanten Nutzen haben.

Für DxO PureRAW 6 haben unsere Ingenieure für Bildverarbeitung ein Komprimierungsverfahren entwickelt, das gezielt solche überflüssigen Informationen identifiziert und vor der eigentlichen Komprimierung entfernt, wodurch deutlich höhere Komprimierungsraten erreicht werden. Das Ergebnis ist eine sogenannte wahrnehmungstechnisch verlustfreie Komprimierung: Zwar entstehen mathematische Abweichungen, für den menschlichen Betrachter bleiben diese unter üblichen Betrachtungs- und Bearbeitungsbedingungen jedoch nicht wahrnehmbar.

Wir haben zwei Arten von Informationen in linearen DNG-Dateien identifiziert, die aus wahrnehmungstechnischer Sicht irrelevant sind:

1. Übermäßige Pixelgenauigkeit. RAW-Dateien digitaler Kameras werden in der Regel mit 12 oder 14 Bit pro Pixel codiert; die Ausgabe unserer DeepPRIME-Pipeline erfolgt hingegen mit 16 Bit. Dennoch weisen Bilder stets ein gewisses Restrauschen auf, das bewusst beibehalten wird, um den unnatürlichen „Plastik‑Look“ zu vermeiden, der durch vollständige Rauschminderung verursacht wird. Wie wir weiter unten erläutern, ist die numerische Präzision umso weniger relevant, je mehr Rauschen ein Signal enthält. Das Entfernen ungenutzter Präzision ist die Aufgabe der Dynamikumfangs-Komprimierung (DRC).

2. Exakte Textur und Form des Rauschens. In der Praxis sind geringfügige Unterschiede in der exakten Struktur von Rauschen oder feinsten Texturen für das menschliche Auge nicht wahrnehmbar. Die Vereinfachung solcher Mikrodetails ist ein etabliertes Prinzip der Bild- und Videokomprimierung und zählt zu den zentralen Mechanismen des JPEG XL-Codecs.

Beide Techniken erfordern standardisierte DNG-Mechanismen, damit jede kompatible Software die resultierenden Dateien problemlos öffnen und weiterverarbeiten kann. DRC wird über das DNG‑Tag „Linearization Table“ codiert, und JPEG XL ist ein Komprimierungsmodus, der in der DNG‑Spezifikation Version 1.7 eingeführt wurde. Beide werden von gängigen RAW‑Bearbeitungsprogrammen unterstützt.

Dynamikumfangs‑Komprimierung

Die Dynamikumfangs-Komprimierung (DRC) ist eine bewährte Technik in der Verarbeitung von Audiosignalen. Bei der Komprimierung wird der Dynamikumfang eines Signals durch eine nichtlineare Übertragungsfunktion reduziert: Im Audiobereich werden laute Abschnitte gedämpft und leise Passagen verstärkt, damit das Signal besser in ein vorgegebenes Bit-Spektrum passt. Dasselbe Prinzip funktioniert überraschend gut auch bei digitalen RAW-Bildern.

Warum DRC bei RAW-Bildern so gut funktioniert

Digitale Bilder sind vom photonischen Rauschen (Schrotrauschen) betroffen, einer fundamentalen physikalischen Eigenschaft des Lichts selbst. Die Standardabweichung dieses Rauschens wächst mit der Quadratwurzel der Signalintensität.
Das hat tiefgreifende Folgen für die Komprimierung linearer Bilder:

• In dunklen Bildbereichen ist das Rauschen sehr gering, und das Signal ist fein strukturiert. Jedes einzelne Bit an Pixelpräzision kann wertvolle Bildinformationen enthalten — weshalb in vielen Fällen 14 oder sogar 16 Bit erforderlich sind.
• In hellen Bildbereichen ist das Rauschen vergleichsweise stark. Die reale Präzision des Signals bleibt spürbar unter dem, was 14 oder 16 Bit theoretisch abbilden könnten. Diese zusätzlichen Bits erfassen das Rauschen mit einer Genauigkeit, die weit über das hinausgeht, was jemals sichtbar oder notwendig wäre.

Genau diese für die Wahrnehmung wertlosen hochpräzisen Abtastwerte in den Spitzlichtern machen die verlustfreie Komprimierung weniger effizient: Es werden Bits originalgetreu codiert, die keine nennenswerten Bildinformationen enthalten.

• DRC behebt dieses Problem, indem es vor der Komprimierung eine Kompandierungsfunktion — konkret eine Kurve nahe der Quadratwurzel — auf die linearen Pixelwerte anwendet. Dies ist konzeptionell mit einer varianzstabilisierenden Transformation vergleichbar: Nach der Quadratwurzel wird die Standardabweichung des Rauschens über den gesamten Tonwertumfang hinweg nahezu konstant. Die Präzision wird somit dort zum Einsatz gebracht, wo sie erforderlich ist — viele Abstufungen in den Schatten, weniger in den Spitzlichtern — ohne dass Informationen verloren gehen, die für die Wahrnehmung von Bedeutung sind.

Beim Dekomprimieren stellt eine inverse Funktion (hinterlegt in der DNG-Linearisierungstabelle) die ursprüngliche lineare Kodierung wieder her, exakt gemäß den Vorgaben der DNG-Spezifikation. Der Prozess ist für jede weiterverarbeitende Software vollständig transparent.

Die Anzahl der Quantisierungsstufen wurde konservativ gewählt und gegen Worst-Case-Bearbeitungsszenarien validiert – etwa starke Belichtungsverschiebungen in Kombination mit extremer Wiederherstellung der Schatten –, damit Quantisierungsartefakte in allen praktischen Anwendungen unsichtbar bleiben.

JPEG XL-Komprimierung

Nach der DRC wird das aufbereitete Bild mit dem Bildcodec JPEG XL komprimiert, einer vom JPEG-Komitee standardisierten Technologie der nächsten Generation.

Was macht JPEG XL besser als das klassische JPEG?

Das klassische JPEG stammt aus dem Jahr 1992 und basiert auf einer festen 8 x 8 -Blocktransformation mit vergleichsweise einfacher Entropiekodierung. So bahnbrechend er damals war, lässt dieser Ansatz nach heutigem Maßstab erhebliches Komprimierungspotenzial ungenutzt. JPEG XL bündelt über zwei Jahrzehnte Fortschritte in der Bildkomprimierungsforschung:

Transformationen mit variabler Größe — Blockgrößen von nur 2×2 bis hin zu 256×256 erlauben es dem Encoder, in homogenen Bildbereichen große, effiziente Blöcke einzusetzen und in detailreichen Randzonen kleinere, präzisere Strukturen zu verwenden. Dadurch passt sich die Kodierung flexibel dem lokalen Bildinhalt an, anstatt ein starres Raster vorzugeben.

Wahrnehmungsoptimierter Farbraum — Die interne Farbdarstellung orientiert sich an der Funktionsweise des menschlichen Sehens und ermöglicht eine gezielte, intelligente Zuweisung der verfügbaren Bits zu den Bildbereichen, die für die visuelle Wahrnehmung am wichtigsten sind.

Erweiterte Entropiekodierung — Moderne, deutlich effizientere Kodierverfahren nutzen die in den Daten vorhandene Redundanz wesentlich effektiver als herkömmliche Ansätze.

Ausgereifte Bildprognose und Kontextmodellierung — Während der Verarbeitung erstellt der Encoder ein statistisches Modell des Bildes, erkennt dabei fein abgestufte lokale Strukturen und reduziert so die Menge an zu speichernden Informationen, die tatsächlich schwer vorhersehbar sind.

Native Unterstützung hoher Bit-Tiefe — Im Gegensatz zum klassischen JPEG wurde JPEG XL von Grund auf für Bilddaten mit hoher Bit-Tiefe entwickelt — und eignet sich damit ideal als Komprimierungsebene in RAW-Bildverarbeitungs-Pipelines.

Wir setzen JPEG XL mit einer nahezu verlustfreien Qualitätseinstellung ein. Der dabei entstehende mathematische Verlust ist vernachlässigbar und liegt deutlich unterhalb der Rauschschwelle jedes realen Bildes. Entscheidend ist die Kombination mit der vorgeschalteten DRC: Indem wahrnehmungsirrelevante Präzision bereits vor der Übergabe an JPEG XL entfernt wird, erhält der Codec ein Signal, das sich von Natur aus effizienter komprimieren lässt, ohne dass qualitätsmindernde Entscheidungen erforderlich sind.

DxO PureRAW ⁶ mit bahnbrechendem DeepPRIME XD3 für Bayer-Sensoren, und enormen Workflow-Verbesserungen

Weiter verbesserte Rauschminderung, revolutionäre Komprimierung und blitzschnelle Verarbeitung.

DxO stellt heute DxO PureRAW 6 vor – ein bedeutendes Update, das RAW-Bildqualität und Workflow-Geschwindigkeit auf ein völlig neues Niveau hebt. Bereits als unverzichtbarer erster Schritt jedes professionellen RAW-Workflows etabliert, liefert Version 6 jetzt noch schärfere, klarere und detailreichere Bilder – und führt eine Reihe intelligenter Neuerungen ein, die Fotografen maximale Freiheit und Effizienz bieten.

Mit dieser Version erweitert sich der Einsatzbereich für DeepPRIME XD3: Die bisher X-Trans-exklusive Technologie unterstützt nun sowohl Bayer- als auch X-Trans-Kameras – mit erstklassiger Rauschreduzierung und Detailwiedergabe. In Kombination mit revolutionärer DNG-Komprimierung und leistungsstarken Workflow-Verbesserungen setzt DxO PureRAW 6 damit einen neuen Maßstab für das, was Fotografen zu Beginn ihrer Bildbearbeitung erwarten können.

Qualität auf höchstem Niveau: DeepPRIME XD3 jetzt auch für Bayer-Sensoren

DeepPRIME XD3 ist die fortschrittlichste Weiterentwicklung der gefeierten DeepPRIME-Technologie von DxO. Entwickelt für besonders anspruchsvolle Aufnahmen, nutzt XD3 ein größeres neuronales Netzwerk, um Rauschen zu entfernen, Details wiederherzustellen und natürliche Texturen zu bewahren – mit außergewöhnlicher Präzision selbst bei sehr schlechten Lichtverhältnissen und hohen ISO-Werten.

Durch die Erweiterung dieser Technologie auf Kameras mit Bayer-Sensoren bietet DxO PureRAW 6 jetzt die höchste bisher erzielte Qualität bei Rauschminderung und Demosaicing, die für unübertroffene Ergebnisse gleichzeitig durchgeführt werden. DxO erreicht damit mehr Fotografen als je zuvor. Von der Nachtfotografie bis hin zu detaillierten Kompositionen liefert XD3 außergewöhnliche Klarheit und Tiefe und definiert neu, was mit einer RAW-Datei möglich ist.

Deutlich kleinere Dateien ohne Qualitätsverlust? Komprimierte DNGs machen es möglich

DxO PureRAW 6 bringt mit der neuen High-Fidelity-Komprimierung einen Durchbruch in Sachen Effizienz: DNG-Dateien in RAW-Qualität, die bis zu viermal kleiner sind als standardmäßig unkomprimierte Versionen.

Fotografen profitieren vom vollen Dynamikumfang und der Flexibilität eines RAW-Workflows und sparen gleichzeitig enorm viel Speicherplatz – ein großer Vorteil für umfangreiche Projekte und die Langzeitarchivierung. Die Verwaltung großer Dateimengen wird mit einem schlankeren, schnelleren und effizienteren Erlebnis deutlich einfacher.

Leistungsstarke Workflow-Verbesserungen

Stapel-Parallelisierung für höheren Durchsatz

DxO PureRAW 6 beschleunigt die Verarbeitung großer Bildmengen erheblich durch parallele Stapelverarbeitung – dabei wird das nächste Bild intelligent vorbereitet, noch bevor das vorherige fertig ist. Dies führt zu deutlich höherem Durchsatz und flüssigerer Performance bei der Arbeit mit großen Dateimengen – ein entscheidender Vorteil für anspruchsvolle Workflows.