MSIQ: Moment-based Scale-Invariant Quality Measure for Single Image Super-Resolution

Resumen Técnico: MSIQ – Medida de Calidad Invariante a la Escala Basada en Momentos para Super-Resolución de Imagen Única

Planteamiento del Problema
La evaluación de los resultados de la Super-Resolución de Imagen Única (SISR) sigue siendo un desafío metodológico. Las métricas de referencia completa estándar, como PSNR y SSIM, evalúan principalmente errores a nivel de píxel o similitudes estructurales locales, pero no logran evaluar explícitamente la preservación de la estructura geométrica global. Además, estas métricas requieren que la imagen de referencia ($I_{GT}$) y la imagen super-resuelta ($I_{SR}$) se redimensionen a las mismas dimensiones antes de la comparación. Este "redimensionamiento forzado" introduce errores de interpolación externos no relacionados con el rendimiento del modelo de SISR, contaminando así la evaluación. Si bien las métricas perceptuales (por ejemplo, LPIPS, DISTS) se alinean mejor con la visión humana, a menudo carecen de especificidad geométrica, no logrando distinguir entre deformaciones geométricas (por ejemplo, escalado anisotrópico, cizallamiento) y artefactos no geométricos (por ejemplo, compresión JPEG). El artículo aborda la necesidad de una herramienta de diagnóstico que evalúe la fidelidad geométrica sin requerir redimensionamiento forzado y pueda distinguir anomalías geométricas de otras distorsiones.

Metodología
La solución propuesta, MSIQ (Calidad Invariante a la Escala Basada en Momentos), es una métrica de referencia completa que compara imágenes en el espacio de momentos geométricos centrales normalizados en lugar del espacio de píxeles.

1. Fundamento Matemático: El método utiliza momentos geométricos de orden $(p, q)$, definidos como integrales (o sumas para imágenes discretas) de intensidades de píxeles ponderadas por coordenadas espaciales. Para lograr invarianza, los autores emplean momentos geométricos centrales normalizados ($\nu_{pq}$), que son invariantes a la traslación y al escalado uniforme en el modelo continuo.
2. Construcción del Descriptor: Para una imagen $I$, se construye un descriptor de momentos $M_N(I)$ como un conjunto ordenado de momentos centrales normalizados no triviales hasta un orden fijo $N$. El artículo fija $N=4$, utilizando 12 momentos informativos (excluyendo los términos triviales de orden cero y de primer orden).
3. Definición de la Métrica: MSIQ se define como la distancia entre los descriptores de momentos de la imagen de referencia ($I_{GT}$) y la imagen super-resuelta ($I_{SR}$). Se proponen dos variantes:
   • MSIQ$_{RMSE}$: El error cuadrático medio entre los componentes de momentos correspondientes.
   • MSIQ$_{W}$: Una versión ponderada que reduce la influencia de los momentos de orden superior, que son más sensibles al ruido de discretización.
4. Propiedades Clave:
   • Libre de Redimensionamiento: Dado que los momentos son invariantes a la escala, $I_{GT}$ e $I_{SR}$ pueden compararse directamente en sus resoluciones nativas, eliminando errores de interpolación.
   • Libre de Modelo: El cálculo es puramente analítico y no depende de redes neuronales preentrenadas.
   • Especificidad Geométrica: La métrica está diseñada para ser invariante al escalado uniforme pero sensible a deformaciones anisotrópicas, cizallamiento, rotación y distorsiones de perspectiva.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

1. Marco Conceptual: Propone evaluar los resultados de SISR verificando la integridad de los descriptores de momentos invariantes a la escala, desplazando la comparación del espacio de píxeles a un espacio de características que elimina la dependencia metodológica del redimensionamiento forzado.
2. Medida Analítica: Introduce MSIQ como una métrica determinista y libre de modelo que cuantifica la estabilidad de la estructura geométrica de momentos de una imagen bajo transformaciones de escala.
3. Selectividad Geométrica: La validación experimental demuestra que MSIQ posee una alta "especificidad geométrica", separando eficazmente las deformaciones geométricas de los artefactos no geométricos como la compresión JPEG, una capacidad que carecen las métricas estándar basadas en píxeles y perceptuales.
4. Distinción Metodológica: El artículo distingue entre dos características de las métricas: capacidad de seguimiento (la capacidad de rastrear monótonamente el aumento de la fuerza de distorsión) y especificidad geométrica (la capacidad de distinguir distorsiones geométricas de las no geométricas). Argumenta que una alta capacidad de seguimiento no implica una alta especificidad geométrica.

Resultados Experimentales
Los autores realizaron cuatro series de experimentos para validar MSIQ:

• Invarianza a la Escala: MSIQ permaneció estable (valores $\approx 10^{-7}$ a $10^{-6}$) bajo escalado uniforme sin redimensionamiento. Por el contrario, PSNR y SSIM mostraron una inestabilidad significativa (dispersión mediana de 5.28 dB para PSNR) cuando se aplicó redimensionamiento forzado, con valores extremos ocurriendo en casos degenerados.
• Especificidad Geométrica: En pruebas controladas que involucraban escalado anisotrópico, cizallamiento, rotación y distorsión de perspectiva frente a compresión JPEG, MSIQ demostró una relación de respuesta geométrica-a-JPEG ($RM$) de aproximadamente 71 en degradación moderada ($\lambda=0.20$) y 161 en degradación débil ($\lambda=0.05$). Por el contrario, métricas perceptuales como DISTS mostraron una $RM$ cercana a 1, fallando en distinguir errores geométricos de la compresión.
• Validación de Algoritmos SISR: Al aplicarse a salidas de tanto interpoladores clásicos como modelos de Redes Neuronales Profundas (DNN) (por ejemplo, EDSR, FSRCNN), MSIQ mantuvo una alta especificidad geométrica ($RM \approx 122$) y estabilidad arquitectónica (variaciones < 5% entre clases de algoritmos).
• Validación de Referencia: En conjuntos de datos estándar (Set5, Set14, Urban100), MSIQ preservó su especificidad geométrica ($RM \approx 100$), confirmando su robustez a través de diversos contenidos de imagen.

Significado y Afirmaciones
El artículo posiciona a MSIQ no como un reemplazo para métricas de propósito general (PSNR, SSIM, LPIPS), sino como una herramienta de diagnóstico complementaria. Su importancia radica en abordar un nicho específico: el control objetivo de la integridad estructural y la fidelidad geométrica.

Los autores afirman que MSIQ es particularmente crítica para dominios donde la corrección geométrica es una prioridad sobre la naturalidad perceptual, como en imagen médica, teledetección y visualización técnica. En estos campos, preservar las proporciones de los objetos y la organización espacial es esencial, y las métricas estándar pueden fallar al detectar anomalías geométricas sutiles que son invisibles para las medidas de error a nivel de píxel o los modelos perceptuales. El artículo concluye que MSIQ llena un vacío en el paradigma de evaluación al proporcionar una evaluación de la calidad de reconstrucción SISR que es invariante a la escala, libre de redimensionamiento y específica de la geometría.