Resumen Técnico: PICM-Net – Compresión de Imágenes Progresiva Aprendida para la Percepción de Máquinas

1. Planteamiento del Problema

Los estándares tradicionales de compresión de imágenes (p. ej., JPEG, VVC) y los recientes códecs de imagen aprendidos (LIC) están optimizados para la percepción visual humana, priorizando métricas de fidelidad perceptual como MSE, MS-SSIM o LPIPS. Si bien los códecs basados en aprendizaje profundo han superado a los métodos tradicionales en rendimiento de tasa-distorsión, sus objetivos siguen centrados en la calidad visual humana.

Concurrentemente, el auge de las aplicaciones de visión artificial (conducción autónoma, vigilancia, teledetección) ha creado una demanda de códecs orientados a máquinas, que optimizan el rendimiento de las tareas descendentes (p. ej., precisión de clasificación) en lugar de la reconstrucción a nivel de píxel. Sin embargo, los códecs orientados a máquinas existentes operan típicamente de manera no progresiva y en una sola pasada. Carecen de Escalabilidad de Grano Fino (FGS), una característica bien establecida en la compresión orientada al humano que permite que un único flujo de bits sea decodificado a múltiples niveles de calidad. Esta brecha impide que los sistemas de visión artificial se adapten dinámicamente a las fluctuaciones del ancho de banda de la red o a los requisitos variables de confianza sin necesidad de recodificar o retransmitir datos.

2. Metodología

Los autores proponen PICM-Net, el primer códec de compresión de imagen progresiva diseñado específicamente para la percepción de máquinas. El marco de trabajo se construye sobre una arquitectura base de autoencoder basada en hiperprior orientado al humano (TransTIC) que permanece congelada, e introduce tres componentes principales para permitir la transmisión progresiva adaptativa y dirigida por tareas.

2.1 Codificación de Planos de Trits Progresiva

Para permitir una decodificación de grueso a fino desde un único flujo de bits, la representación latente se descompone en dígitos ternarios (trits) en lugar de bits binarios.

• Descomposición de Planos de Trits: Los coeficientes latentes se cuantifican y se descomponen en una secuencia de trits ($d \in \{0, 1, 2\}$).
• Asignación de Longitud de Planos: El número de planos de trits asignados a cada coeficiente se determina mediante su parámetro de escala predicho ($\hat{\sigma}$) a partir del prior Gaussiano. Los coeficientes con distribuciones más amplias reciben más planos.
• Priorización de Símbolos: Dentro de cada plano, los símbolos se ordenan según sus parámetros de escala (ordenamiento basado en $\sigma$). Esta estrategia es computacionalmente eficiente y se ha demostrado empíricamente más efectiva que el ordenamiento basado en la varianza esperada para esta tarea.
• Decodificación: El flujo de bits puede truncarse en cualquier nivel de plano de trits $\ell$, permitiendo al decodificador reconstruir una imagen a distintos niveles de fidelidad.

2.2 Adaptación Progresiva Orientada a Máquinas

Dado que la arquitectura base está entrenada para la percepción humana, los autores introducen módulos de adaptación ligeros para alinear el códec con las tareas de visión artificial sin reentrenar toda la red:

• Adaptador de Modulación Espacial-Frecuencial (SFMA): Insertado en el codificador y el decodificador, el SFMA modula las características tanto en el dominio espacial como en el de frecuencia. Suprime la información visualmente importante pero irrelevante para la tarea, mientras amplifica las características semánticas discriminativas.
• Adaptador de Bajo Rango de Hiper-Síntesis (HSLoRA): Un módulo LoRA ligero aplicado únicamente a la red de hiper-síntesis ($h_s$). Este realinea los parámetros de media y escala del modelo de entropía con la distribución latente desplazada por el SFMA, asegurando que la codificación de entropía siga siendo válida sin alterar el modelo de densidad del hiperprior fijo.
• Entrenamiento Consciente de la Decodificación Progresiva: Los módulos de adaptación se entrenan utilizando una función de pérdida que muestza prefijos de planos de trits aleatorios ($\ell$) durante el entrenamiento. Esto asegura que el compromiso entre tasa y precisión se optimice no solo en la reconstrucción completa, sino a lo largo de toda la trayectoria de decodificación progresiva, fomentando que los trits tempranos transporten contenido semántico discriminativo.

2.3 Controlador de Decodificación Adaptativo

Para abordar la asimetría entre la percepción humana y la de las máquinas (donde las máquinas no se benefician de los bits más allá del punto de inferencia fiable), los autores introducen un Controlador de Decodificación Adaptativo.

• Mecanismo: Un modelo de regresión logística ligero analiza las estadísticas de salida del clasificador (logits, probabilidades softmax, entropía) en cada nivel de decodificación $\ell$.
• Función: El controlador predice la "idoneidad" (probabilidad de clasificación correcta) de la reconstrucción parcial actual.
• Inferencia: Durante la inferencia, el sistema decodifica progresivamente. Si la idoneidad predicha $S(\ell)$ supera un umbral de confianza definido por el usuario $\tau$, la decodificación se detiene y los bits restantes se descartan. Esto determina dinámicamente la tasa de bits mínima necesaria por imagen.

3. Principales Contribuciones

1. Arquitectura PICM-Net: El primer códec de imagen progresiva para la percepción de máquinas, que utiliza la codificación de planos de trits para permitir la decodificación multinivel desde un único flujo de bits.
2. Adaptación Consciente de la Tarea: Una novedosa estrategia de adaptación que combina SFMA y HSLoRA con un entrenamiento consciente de la decodificación progresiva. Esto desplaza la priorización de símbolos en el flujo de bits hacia regiones discriminativas para la tarea (p. ej., bordes de objetos) en lugar de una distribución espacial uniforme.
3. Controlador de Decodificación Adaptativo: Un mecanismo que selecciona dinámicamente el nivel de decodificación basándose en la idoneidad descendente predicha, eliminando la transmisión de bits innecesarios para muestras "fáciles" mientras asigna más bits a las muestras "difíciles".
4. Validación Empírica: Experimentos exhaustivos que demuestran un rendimiento de tasa-precisión superior en comparación con los códecs progresivos orientados al humano más avanzados y un rendimiento competitivo frente a códecs orientados a máquinas no progresivos.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de validación ImageNet-1K utilizando clasificadores ResNet-50 y ConvNeXt.

• Rendimiento de Tasa-Precisión: PICM-Net supera consistentemente a los códecs progresivos orientados al humano existentes (p. ej., PLONQ, DPICT, DeepHQ) en todas las tasas de bits. Logra una reducción de la tasa BD de −21.6% en comparación con un decodificador estático sin el controlador adaptativo en la región operativa práctica (precisión $\ge$ 70%).
• Eficiencia Adaptativa: El controlador adaptativo reasigna bits con éxito. Para imágenes "fáciles" (donde el clasificador alcanza una alta confianza tempranamente), el controlador detiene la decodificación tras utilizar solo ~4% de la trayectoria progresiva. Para imágenes "difíciles", continúa la decodificación hasta aproximadamente el ~67% de la trayectoria.
• Ahorro de Tasa de Bits: Con umbrales de confianza fijos de 70%, 73% y 75%, el controlador reduce la tasa de bits promedio en un 18.7%, 23.9% y 26.4%, respectivamente.
• Estudios de Ablación:
  • La eliminación del entrenamiento consciente de la decodificación progresiva causa un colapso significativo en la precisión promedio a través de las tasas de bits (cayendo de 66.5% a 54.1%), confirmando su necesidad.
  • El SFMA contribuye con la mayor ganancia de rendimiento (−66.9% de tasa BD), mientras que el HSLoRA proporciona un refinamiento marginal pero necesario (−1.9%).
  • El ordenamiento de símbolos basado en sigma es preferido sobre el ordenamiento basado en la varianza esperada debido a una aceleración de 20.7x en la priorización con una pérdida de rendimiento insignificante.

5. Significación y Reivindicaciones

El artículo afirma que PICM-Net cierra la brecha entre la flexibilidad de la compresión progresiva y la eficiencia de la optimización orientada a máquinas. Al permitir la escalabilidad de grano fino para la visión artificial, el marco permite que los sistemas operen eficientemente bajo restricciones dinámicas de ancho de banda sin sacrificar el rendimiento de la tarea.

Los autores enfatizan que, a diferencia de la percepción humana, donde más bits siempre resultan en una mejor calidad visual, la percepción de las máquinas tiene un punto de saturación donde los bits adicionales no aportan utilidad. PICM-Net explota esto mediante su controlador adaptativo, que trunca dinámicamente el flujo de bits, ofreciendo una solución práctica para el despliegue en el mundo real donde los recursos de red son limitados. Este trabajo establece una base para futuras investigaciones sobre la adaptación agnóstica al clasificador y la extensión de la compresión progresiva a tareas densas de la máquina como la detección y la segmentación.