⚡ electrical engineering

Small, Bias-Free, Blind and Convolutional Denoiser: A compact ConvNeXt U-Net for blind Gaussian color-image denoising

El artículo presenta BF-ConvUNeXt, un ConvNeXt U-Net compacto y libre de sesgo que logra la eliminación de ruido en imágenes a color con ruido gaussiano ciego con una fuerte generalización a través de los niveles de ruido y un rendimiento competitivo frente a modelos más grandes mediante el aprovechamiento de un tallo de Gabor congelado, el enrutamiento de pirámide de Laplaciano y la homogeneidad de grado 1 para permitir que un único modelo gestione una amplia gama de escalas de ruido.

Autores originales: Nikolas Markou

Publicado 2026-07-28

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nikolas Markou

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El arte de limpiar una señal ruidosa

Imagine que intenta escuchar su canción favorita, pero alguien ha vertido un cubo de estática sobre los altavoces. En el mundo de la visión artificial, este "estática" se llama ruido, y la tarea de limpiarlo se denomina denoising (reducción de ruido). Durante décadas, los científicos han construido cerebros digitales masivos y complejos (redes neuronales) para actuar como expertos limpiadores, intentando adivinar cómo era la imagen original y perfecta antes de que el ruido la arruinara. Por lo general, estos expertos son entrenados para manejar un nivel específico de suciedad; si les das una imagen ligeramente más sucia de lo que practicaron, a menudo se confunden y fallan.

Sin embargo, existe un truco matemático ingenioso oculto a plena vista. Si construyes una máquina de limpieza que no tiene "desplazamientos" o "sesgos" (biases) —es decir, que no asume un punto de partida específico ni añade números fijos a sus cálculos—, esta se vuelve perfectamente invariante de escala. Piensa en ello como una fotocopiadora que funciona de la misma manera si estás copiando una pequeña postal o una valla publicitaria gigante; simplemente escala su esfuerzo perfectamente para adaptarse al tamaño de la entrada. Esta propiedad, conocida como homogeneidad, permite que un solo modelo maneje niveles de ruido que nunca ha visto, simplemente "sintiendo" la dirección del desorden en lugar de memorizar una cantidad específica de suciedad. Este artículo explora hasta dónde podemos llevar esta idea: ¿podemos construir un limpiador diminuto y supereficaz que rivalice con los gigantes pesados del campo?

El limpiador diminuto y ciego

Los autores presentan un nuevo modelo llamado BF-ConvUNeXt. Es un denoiser compacto y "ciego", lo que significa que no necesita que se le diga qué tan ruidosa es la imagen; él mismo lo descubre. Mientras que los limpiadores de imágenes más potentes de hoy en día son gigantes masivos con decenas de millones de parámetros (el equivalente digital a células de memoria), este nuevo modelo es un campeón ligero con solo 0,82 millones de parámetros. Logra esto combinando cuatro ideas existentes en una sola máquina perfectamente ajustada donde cada parte trabaja en conjunto para mantener viva esa propiedad especial de "invariancia de escala" de principio a fin.

El modelo está construido como una línea de montaje de una fábrica de alta tecnología. Primero, pasa la imagen ruidosa a través de un tallo Gabor congelado (frozen Gabor stem). Imagina esto como un conjunto de filtros prefabricados e inalterables que ya son expertos en detectar bordos y patrones en diferentes ángulos. Estos filtros están "congelados", lo que significa que el modelo nunca los aprende; simplemente están ahí, listos para trabajar, aportando cero memoria entrenable. A continuación, la imagen se divide mediante una pirámide Laplaciana. Esto es como separar un zumbido suave de baja frecuencia de la estática aguda de alta frecuencia. El modelo envía la parte suave por un túnel profundo para ser procesada, mientras que los fragmentos nítidos y ruidosos se envían por una "conexión de salto" (skip connection) para ser manejados por separado, asegurando que el modelo no deseche accidentalmente detalles importantes.

El corazón de la máquina es un ConvNeXt U-Net, una arquitectura moderna conocida por su eficiencia. Pero aquí está el ingrediente secreto: todo el sistema no tiene sesgos (bias-free). Cada una de las capas evita añadir números extra (sesgos) que romperían la regla de invarianza de escala. Utiliza un tipo especial de normalización y una "cabecera" lineal (la capa de salida final) para asegurar que, si duplicas el ruido, la reacción del modelo se duplique exactamente, manteniendo las matemáticas perfectamente equilibradas.

Lo que el modelo logró

Los investigadores entrenaron este modelo diminuto con un "currículo" de ruido, comenzando con una estática muy ligera y aumentándola gradualmente hasta un nivel de ruido de 64 (en una escala de 0 a 255). Los resultados fueron sorprendentemente robustos. Debido a su diseño sin sesgos, el modelo no solo dejó de funcionar cuando el ruido se volvió más pesado; continuó limpiando con elegancia. Al ser probado en niveles de ruido muy superiores a su entrenamiento —hasta 150 e incluso 200—, no colapsó. En su lugar, continuó produciendo imágenes claras, con una caída de calidad suave y lenta. Con un nivel de ruido de 200 (que es 3,1 veces el ruido máximo que vio durante su entrenamiento), todavía logró producir una imagen con una puntuación de calidad de 20,0 dB, una hazaña notable para un modelo que no fue enseñado explícitamente a manejar tal caos.

Cuando los autores compararon el BF-ConvUNeXt con los estándares de referencia, los resultados fueron impresionantes. En cuatro conjuntos de imágenes en color estándar (CBSD68, Kodak24, McMaster y Urban100), el diminuto modelo igualó o superó a limpiadores clásicos antiguos como DnCNN y FFDNet en niveles de ruido de 15, 25 y 50. En promedio, fue aproximadamente 0,7 dB mejor que DnCNN. Sin embargo, el artículo es honesto sobre sus límites: aunque supera a los modelos pequeños y de la vieja escuela, todavía se queda por detrás de los gigantes masivos de "estado del arte" (como Restormer o SwinIR) por un pequeño margen (aproximadamente de 0,3 a 1,7 dB dependiendo del tipo de imagen). La brecha es más amplia en imágenes con patrones complejos y repetitivos (como el conjunto Urban100), donde la capacidad de los modelos enormes para observar partes distantes de la imagen les otorga una ventaja.

El inconveniente y el futuro

El artículo también aclara lo que este modelo no puede hacer. Debido a que la "lógica de limpieza" del modelo es una estimación local en lugar de un mapa perfecto de la realidad global, no puede utilizarse para ciertas tareas matemáticas avanzadas que requieren un sistema perfectamente conservador (como algunos algoritmos específicos de "plug-and-play"). Sin embargo, los autores demuestran que este "puntaje" local sigue siendo lo suficientemente poderoso como para impulsar otras tareas, como rellenar partes faltantes de una imagen (inpainting) o afilar fotos borrosas, sin necesidad de reentrenar el modelo.

Al final, el BF-ConvUNeXt demuestra que no siempre se necesita un cerebro masivo y costoso para limpiar una imagen desordenada. Al adherirse a reglas matemáticas estrictas y combinar el procesamiento de señales clásico con el diseño moderno, un modelo diminuto, ciego y sin sesgos puede manejar niveles de ruido que nunca aprendió a esperar, ofreciendo una alternativa altamente eficiente para un mundo que a menudo demanda más potencia de cómputo de la que tenemos.

Resumen Técnico: BF-ConvUNeXt

Planteamiento del Problema

El artículo aborda la denoising (reducción de ruido) de imágenes gaussiano ciego, la tarea de recuperar una imagen limpia $x$ a partir de una observación con ruido $y = x + \epsilon$ (donde $\epsilon \sim \mathcal{N}(0, \sigma^2 I)$ ) sin conocimiento del nivel de ruido $\sigma$ en el momento de la inferencia. Mientras que las soluciones de vanguardia (SOTA) modernas dependen de híbridos masivos de transformadores/CNN (por ejemplo, DRUNet, SwinIR, Restormer) con decenas de millones de parámetros, a menudo entrenados por nivel de ruido, este trabajo investiga si una arquitectura compacta y estrictamente libre de sesgo (bias-free) puede lograr una generalización ciega competitiva. La hipótesis central es que eliminar todos los términos constantes aditivos de una CNN de reducción de ruido la hace homogénea de grado 1 ( $D(\alpha y) = \alpha D(y)$ ), permitiendo que un solo modelo se generalice a través de un amplio rango de niveles de ruido donde las redes con sesgo fallan.

Metodología: BF-ConvUNeXt

La solución propuesta, BF-ConvUNeXt, es una ConvNeXt U-Net de 0.82M de parámetros diseñada para preservar la homogeneidad de grado 1 de extremo a extremo. Integra cuatro componentes establecidos en una configuración específica que preserva la ausencia de sesgo:

Stem de Gabor de Profundidad Congelado (Frozen Depthwise Gabor Stem):
- Reemplaza la convolución inicial aprendible estándar con un banco fijo y no entrenable de 22 wavelets de Gabor orientadas por canal de entrada (66 canales de salida en total).
- Estos filtros se inicializan con orientaciones, frecuencias y fases barridas (basadas en Gabor [1946]) y permanecen estáticos.
- Una única convolución de $1\times1$ entrenable y libre de sesgo ( $66 \to 66$ ) recombina estas respuestas congeladas, sirviendo como el único grado de libertad en el stem.
Codificador de Pirámide Laplaciana con Saltos de Alta Frecuencia:
- En lugar de max-pooling, el submuestreo se realiza mediante una división de pirámide laplaciana.
- La banda de baja frecuencia desciende al siguiente nivel, mientras que el residuo de alta frecuencia de resolución completa se redirige a la conexión de salto (skip connection).
- Crucialmente, este salto de alta frecuencia pasa a través de tres bloques ConvNeXt adicionales libres de sesgo antes de fusionarse, imponiendo un sesgo inductivo de tipo contracción de wavelet que separa la estructura de la señal del ruido.
Cuerpo ConvNeXt-V1 U-Net:
- La red utiliza un ancho plano de 66 canales en todos los niveles (codificador, cuello de botella, decodificador).
- Emplea el bloque ConvNeXt-V1 (convolución depthwise de $7\times7$ , MLP de cuello de botella invertido, LayerScale) en lugar de V2, ya que la Normalización de Respuesta Global de V2 introduce términos similares a sesgos que rompen la homogeneidad.
- Las conexiones de salto utilizan suma en lugar de concatenación para mantener la linealidad.
Construcción Libre de Sesgo (Bias-Free):
- Sin sesgos aditivos en ninguna convolución (stem de Gabor, proyecciones de $1\times1$ , convoluciones de bloque o cabezal).
- Activaciones: Se utiliza LeakyReLU (positivamente homogénea) en lugar de GELU.
- Normalización: Se utiliza una BiasFreeBatchNorm personalizada, que depende únicamente de la varianza operativa (sin media operativa, sin desplazamiento $\beta$ ). Esto asegura que la operación de normalización sea lineal respecto a la entrada durante la inferencia, preservando la homogeneidad de grado 1.
- Cabezal (Head): Una convolución lineal de $1\times1$ libre de sesgo.

Estrategia de Entrenamiento

Aprendizaje de Currículo (Curriculum Learning): El modelo se entrena con un currículo de ruido donde la desviación estándar máxima del ruido ( $\sigma_{max}$ ) aumenta linealmente de 0.025 a 0.25 (en una escala normalizada de $[0, 1]$ , correspondiente a $\sigma_{255} \approx 6.4 \to 64$ ) a lo largo de 100 épocas.
Manejo de Entradas: Las entradas con ruido se recortan a $[0, 1]$ inmediatamente después de la adición del ruido. Este recorte se aplica de manera consistente tanto durante el entrenamiento como durante la inferencia.
Objetivo: Error Cuadrático Medio (MSE) estándar, que, bajo la identidad de Miyasawa/Tweedie, impulsa a la red hacia el estimador MMSE donde el residuo aproxima una función de puntuación (score function) escalada.

Contribuciones Clave

Integración de Arquitectura: Una descripción precisa de una integración de preservación de sesgo que incluye un stem de Gabor congelado, descomposición de salto de pirámide laplaciana y bloques ConvNeXt, resultando en una red que es exactamente homogénea de grado 1 en la inferencia.
Benchmarking Justo: Una evaluación de un único checkpoint ciego a través de cuatro conjuntos de datos de color estándar (CBSD68, Kodak24, McMaster, Urban100) en tres niveles de ruido ( $\sigma \in \{15, 25, 50\}$ ) utilizando el protocolo de imagen completa.
Límites Teóricos: Una aclaración explícita de que, si bien el residuo actúa como un score local (permitiendo la generalización ciega y el muestreo estocástico), el operador aprendido es no conservativo (su Jacobiano no es simétrico). Por lo tanto, no se aplican las garantías para la convergencia de plug-and-play/RED o de posteriors bayesianos calibrados.

Resultados

Generalización Ciega: El modelo extrapola suavemente más allá de su rango de entrenamiento ( $\sigma_{255} \le 64$ ). Logra 22.8 dB en $\sigma_{255}=150$ y 20.0 dB en $\sigma_{255}=200$ (2.3 $\times$ y 3.1 $\times$ el máximo de entrenamiento), degradándose de forma monótona sin un colapso de rendimiento.
Rendimiento en el Leaderboard:
- vs. CNNs Pequeñas: BF-ConvUNeXt iguala o supera a DnCNN y FFDNet en todos los conjuntos y niveles, promediando +0.7 dB sobre DnCNN. En CBSD68, el margen es estrecho (+0.10 a +0.15 dB) y está dentro de la sensibilidad del protocolo de recorte de entrada, lo que equivale efectivamente a un empate.
- vs. SOTA Pesados: Se queda por detrás de modelos grandes (DRUNet, SwinIR, Restormer, SCUNet) por un margen constante de 0.3–1.7 dB, dependiendo del conjunto de datos. La brecha es menor en CBSD68 y mayor en Urban100, donde la auto-similitud no local favorece a los modelos basados en atención.
- Eficiencia: Con 0.82M de parámetros, se sitúa entre las CNN clásicas de menos de 1M y los modelos SOTA de 12–32M, logrando un rendimiento dentro de ~1 dB de estos últimos con aproximadamente 1/15 a 1/39 de su cantidad de parámetros.
Problemas Inversos: El modelo congelado sirve como un prior implícito para solucionadores de problemas inversos estocásticos (inpainting, super-resolución, deblurring) sin reentrenamiento, aprovechando la propiedad de score local.

Significado y Reivindicaciones

El artículo posiciona a BF-ConvUNeXt no como el descubrimiento de un componente novedoso, sino como una integración de ingeniería y evaluación que demuestra la utilidad práctica de la ausencia de sesgo estricta.

Reivindicaciones Modestas: Los autores declaran explícitamente que el modelo no supera al SOTA pesado. La importancia radica en demostrar que un modelo ciego pequeño puede generalizarse a través de niveles de ruido y acercarse al rendimiento de modelos masivos, siempre que la arquitectura se adhiera estrictamente a las restricciones de homogeneidad.
Límites Teóricos: El artículo enfatiza que la interpretación de "score" es local. El residuo no es el gradiente de una función de energía global, lo que limita su uso en métodos que requieren operadores conservativos (por ejemplo, convergencia de plug-and-play demostrable).
Advertencias del Protocolo: Los autores señalan que su recorte de entrada a $[0, 1]$ proporciona una ligera ventaja sobre las líneas base sin recorte, particularmente en niveles altos de ruido. Al contabilizar esto, el rendimiento en CBSD68 frente a DnCNN es un empate, no una victoria clara.

En conclusión, BF-ConvUNeXt valida que la homogeneidad de grado 1 es un mecanismo viable para la reducción de ruido ciega, permitiendo que un modelo compacto cubra un amplio espectro de ruido y soporte problemas inversos descendentes, aunque con un techo de rendimiento relativo a las arquitecturas masivas basadas en atención y no ciegas.