Resumen Técnico: Eliminación de Ruido en Imágenes Basada en Percepción mediante Compresión Generativa

1. Planteamiento del Problema

La eliminación de ruido en imágenes tiene como objetivo eliminar el ruido preservando los detalles estructurales y el realismo perceptual. Sin embargo, los métodos tradicionales optimizados para métricas de distorsión a nivel de píxel (por ejemplo, Error Cuadrático Medio o PSNR) a menudo producen reconstrucciones excesivamente suavizadas, particularmente bajo ruido intenso o cambios de distribución. Esto ocurre porque minimizar únicamente la distorsión es insuficiente para la calidad perceptual; el compromiso Tasa-Distorsión-Percepción (RDP) formaliza que minimizar la distorsión sin considerar las restricciones perceptuales conduce a una pérdida de texturas finas y estadísticas naturales de la imagen.

Los métodos existentes de restauración perceptual, como las GANs condicionales Wasserstein (WGANs), pueden sufrir de entrenamiento inestable y una captura inadecuada de la diversidad de imágenes naturales. Por el contrario, los modelos de difusión ofrecen un entrenamiento estable y una fuerte cobertura de modos, pero requieren la integración con principios de compresión para manejar eficazmente la naturaleza estructurada del ruido frente a las señales naturales.

2. Metodología

El artículo propone un marco de compresión generativa donde la eliminación de ruido se logra reconstruyendo imágenes a partir de representaciones latentes codificadas por entropía. La premisa central es que las señales naturales exhiben baja complejidad, mientras que el ruido es no estructurado. Al operar un compresor a un nivel de distorsión coincidente con la fuerza del ruido, el ruido de alta complejidad se suprime mientras se preserva el contenido estructurado.

Los autores introducen dos instanciaciones complementarias de este marco:

2.1. Eliminador de Ruido por Compresión Basado en WGAN Condicional (CGanDeCompress)

Este enfoque integra compresión con pérdidas aprendida con entrenamiento adversarial condicional.

• Arquitectura: Un codificador ($E$) mapea una entrada ruidosa $y$ a una representación latente cuantizada $z$. Un decodificador ($G$) reconstruye la imagen sin ruido $\hat{x}$ a partir de $z$.
• Control de Tasa: La latente $z$ se codifica por entropía utilizando un modelo de probabilidad aprendido $P$, generando una tasa $r(z) = -\log P(z)$.
• Objetivo de Entrenamiento: El sistema minimiza una función de pérdida combinada:
  $$L_{EGP} = \mathbb{E}_y[\lambda r(z) + d(x, \hat{x}) - \beta \log D(\hat{x}, z)]$$
  donde $d(x, \hat{x})$ combina la pérdida MSE y la Similitud de Parches de Imagen Perceptual Aprendida (LPIPS). Un discriminador WGAN condicional $D$ distingue las imágenes reconstruidas de las imágenes limpias condicionadas a $z$, promoviendo el realismo perceptual.
• Control: Los parámetros $\lambda$ y $\beta$ controlan explícitamente el compromiso tasa-distorsión-percepción (RDP).

2.2. Reconstrucción Basada en Difusión Condicional (DiffDeCompress)

Este enfoque aprovecha los modelos de difusión como priores generativos guiados por latentes comprimidas.

• Arquitectura: Un codificador estocástico mapea $y$ a una latente compacta $z$. Un decodificador modela la distribución condicional $p(x_0|z)$ mediante un proceso de difusión inversa.
• Proceso: El proceso inverso se condiciona en $z$, guiando la trayectoria de eliminación de ruido hacia reconstrucciones semánticamente consistentes, mientras que las variables latentes intermedias permiten la síntesis de detalles a escala fina.
• Objetivo de Entrenamiento: El modelo optimiza una cota superior variacional sobre la verosimilitud negativa logarítmica de la difusión, aumentada con una pérdida LPIPS explícita:
  $$L = \rho L_p + (1-\rho)L_c$$
  donde $L_p$ es la pérdida LPIPS y $L_c$ incluye la restricción de tasa y la pérdida de reconstrucción de difusión.

3. Contribuciones Teóricas

El artículo establece garantías no asintóticas para la eliminación de ruido de máxima verosimilitud (ML) basada en compresión bajo ruido gaussiano blanco aditivo (AWGN).

• Cotas de Error de Reconstrucción: Los autores derivan cotas superiores sobre el error de reconstrucción $\|x - \hat{x}\|$ en términos de la tasa de compresión $R$, la distorsión $D(P)$ y el nivel de percepción $P$. La cota indica que, con alta probabilidad, el error está cerca del límite teórico de distorsión-percepción $D(P)$.
• Probabilidad de Error de Decodificación: El artículo proporciona una cota sobre la probabilidad de que el eliminador de ruido ML seleccione una palabra de código incorrecta, mostrando que esta probabilidad disminuye exponencialmente con la tasa de compresión $R$.
• Conexión con la Teoría RDP: El marco teórico conecta explícitamente el rendimiento de eliminación de ruido con la teoría RDP, demostrando que los métodos propuestos operan dentro de los límites teóricos de los compromisos distorsión-percepción.

4. Resultados Experimentales

Los métodos fueron evaluados en ruido gaussiano sintético (conjuntos de datos KODAK y DIV2K) y ruido del mundo real (Conjunto de Datos de Microscopía de Fluorescencia y Conjunto de Datos de Eliminación de Ruido en Imágenes de Smartphone - SIDD).

• Ruido Sintético:

  • Calidad Perceptual: Ambos métodos propuestos superaron consistentemente a las líneas base clásicas (BM3D) y basadas en aprendizaje (N2C, N2N, Deep Decoder) en métricas perceptuales (FID, LPIPS, PI).
  • Compromiso de Distorsión: Mientras que los métodos supervisados como N2C lograron un PSNR/SSIM más alto, exhibieron puntuaciones significativamente más altas en FID y LPIPS, lo que indica salidas excesivamente suavizadas. Los métodos propuestos mantuvieron un rendimiento de distorsión competitivo mientras lograban un realismo perceptual superior.
  • Detalles Específicos: En $\sigma=15$, CGanDeCompress logró el FID y LPIPS más bajos. En niveles de ruido más altos ($\sigma=50$), DiffDeCompress logró la mejor calidad perceptual (PI más bajo) en KODAK, mientras que CGanDeCompress destacó en similitud distribucional (FID) en DIV2K.

• Ruido del Mundo Real:

  • En los conjuntos de datos FMD y SIDD, CGanDeCompress demostró robustez ante cambios de dominio y ruido complejo del mundo real.
  • FMD: LPIPS mejoró de 0.439 (ruidoso) a 0.035, con un aumento de PSNR de 28.45 dB a 36.71 dB.
  • SIDD: LPIPS se redujo de 0.646 a 0.093, y PSNR aumentó de 26.35 dB a 32.70 dB, con ganancias significativas en similitud estructural (SSIM).

5. Significado y Afirmaciones

El artículo afirma que el marco de compresión generativa propuesto cierra exitosamente la brecha entre la eliminación de ruido impulsada por distorsión y la impulsada por percepción. Al interpretar la eliminación de ruido como una proyección sobre una clase de señales de baja complejidad inducida por un códec con pérdidas, el método logra:

1. Control Explícito: La capacidad de gestionar explícitamente el compromiso RDP a través de modelos de compresión aprendidos.
2. Fidelidad Perceptual: La generación de texturas realistas y detalles finos que a menudo se pierden en métodos optimizados para MSE.
3. Fundamentación Teórica: El establecimiento de cotas no asintóticas que vinculan la tasa de compresión con el error de eliminación de ruido, validando el enfoque a través de principios de teoría de la información.
4. Robustez: Rendimiento consistente en benchmarks sintéticos y escenarios desafiantes del mundo real que involucran cambios de dominio y distribuciones de ruido complejas.

Los autores concluyen que la compresión generativa ofrece un paradigma robusto para la eliminación de ruido en imágenes basada en percepción, logrando una fidelidad perceptual mejorada sin sacrificar un rendimiento de distorsión competitivo.