Resumen Técnico: Asignación de Bits con Pesado de Claridad para Enlaces Descendentes de Satélites

Planteamiento del Problema

Los satélites de observación terrestre capturan significativamente más imágenes de las que sus contactos intermitentes con tierra pueden transmitir. Los sistemas actuales a bordo emplean típicamente un flujo de trabajo de "detección y descarte": un detector de nubes establece un umbral para un cuadro y, si la cobertura de nubes excede un límite establecido, el cuadro completo o teselas específicas se descartan antes de la codificación de la fuente. Este enfoque sufre de dos ineficiencias críticas:

1. Falsos Positivos: El análisis de imágenes etiquetadas por expertos muestra que estas reglas descartan más de una quinta parte de los píxeles despejados, debido principalmente a falsos positivos del detector.
2. Asignación Subóptima de Bits: Incluso cuando los cuadros se retienen, los métodos de compresión aprendidos convencionales tratan todos los píxeles por igual o optimizan las representaciones latentes sin considerar el valor semántico de las regiones despejadas frente a las nubladas. No reasignan los bits de la fuente de las áreas nubladas hacia el terreno despejado, ni gestionan dinámicamente los bytes de enlace descendente entre múltiples capturas con diferentes plazos de entrega.

Además, los planificadores existentes suelen utilizar un servicio de dos etapas fijas (sirviendo primero las capas base y luego los refinamientos) que no logra contabilizar conjuntamente el trabajo pendiente tanto en los plazos de la capa base como en los de la capa completa, lo que provoca la pérdida de oportunidades para entregar contenido despejado utilizable durante contactos interrumpidos.

Metodología

La solución propuesta integra un códec de fuente aprendido con pesado de claridad con un planificador de presión de plazo causal.

1. Codificación Progresiva con Pesado de Claridad

Los autores proponen un códec neuronal que reasigna bits hacia el terreno despejado sin requerir una pasada separada de un detector de nubes durante la operación ni la transmisión de un mapa de nubes.

• Entrenamiento: El códec se entrena utilizando probabilidades de nube por píxel ($q_i$) derivadas de un detector de nubes congelado. La pérdida de reconstrucción se pondera mediante $w_i = 1 - q_i$, penalizando más severamente los errores en el terreno probablemente despejado que en las regiones nubladas.
• Inferencia y Valor Semántico: Durante la operación, el códec estima el conteo de píxeles despejados ($v_i$) para cada captura utilizando una lectura convolucional ligera sobre las características de hiperesíntesis internas del codificador. Esto proporciona un "valor semántico nativo del códec" sin necesidad de un paso de detección separado.
• Estructura Progresiva: Cada captura se codifica en una capa base reanudable (hiperlatente y anclas de ancla) y una capa de refinamiento dependiente (anclas no ancla). Esto permite que la transmisión sea interrumpida y reanudada posteriormente.
• Asignación de Tasa: Teóricamente, este pesado desplaza la asignación de tasa ideal, reduciendo la distorsión y aumentando la tasa para las coordenadas con mayores pesos de claridad efectivos.

2. Planificación de Peso Máximo por Presión de Plazo (DPMW)

El sistema emplea un planificador causal que clasifica las capas recibidas basándose en:

• Valor Nativo del Códec ($v_i$): El conteo estimado de píxeles despejados.
• Trabajo Pendiente: Los bytes restantes para las capas base ($b_i$) y de refinamiento ($e_i$).
• Margen de Plazo (Slack): El tiempo restante hasta los plazos de la base ($d^B_i$) y de la entrega completa ($d^F_i$).
• Presión de Plazo Agregada: El sistema calcula la presión agregada ($P_B$ y $P_F$) que representa la tasa de servicio requerida por las bases incompletas y las entregas completas factibles.

El planificador computa un peso $W_i$ para cada capa, priorizando los elementos valiosos que requieren menos bytes residuales y que están bajo mayor presión de plazo. Soporta la reanudación de paquetes, límites de almacenamiento y políticas de expulsión que priorizan elementos de alto valor.

3. Optimización a Bordo

La implementación está optimizada para aceleradores embebidos con recursos limitados (por ejemplo, NVIDIA Jetson Orin Nano). Las técnicas incluyen indexación de tablas vectorizadas, réplica de CUDA Graph para la computación neuronal y el almacenamiento en caché de índices de hiperlatentes para asegurar que el tiempo de servicio de codificación permanezca dentro de los plazos de los intervalos de captura.

Contribuciones Clave

1. Codificación de Fuente Aprendida con Pesado de Claridad: Un método que utiliza probabilidades de nube por píxel durante el entrenamiento para asignar bits de la fuente hacia el terreno despejado, reduciendo los bytes transmitidos mientras mantiene la calidad de las regiones despejadas.
2. Interfaz Nativa del Códec Progresiva: Un diseño de red que genera una capa base reanudable, una capa de refinamiento y un valor semántico nativo del códec (conteo de píxeles despejados) derivado de las características internas, eliminando la necesidad de un detector independiente en la nave.
3. Planificación Causal de Dos Plazos (DPMW): Una política de planificación que clasifica las capas por valor semántico, trabajo pendiente y margen de plazo, optimizando conjuntamente para los plazos de la base y de la entrega completa sin pronósticos de capacidad futura.

Resultados

Eficiencia de la Codificación de la Fuente

• Reducción de Bits: Con una calidad de reconstrucción de la región despejada igualada, el códec con pesado de claridad requiere un 47.8% menos de bytes que los modelos de referencia de compresión aprendida (ELIC) y un 39.0% menos de bytes que una versión del mismo modelo agnóstica a las nubes.
• Evitación de Eliminación: A diferencia de las reglas de eliminación de cuadros (CloudScout, Earth+), que eliminan aproximadamente el 21–30% de los píxeles despejados debido a falsos positivos, el enfoque de pesado de claridad codifica cada cuadro, logrando cero eliminaciones de píxeles despejados en el momento de la captura.
• Efectos por Imagen: Para escenas mayormente nubladas, el método reduce el uso de bytes en aproximadamente un 77% manteniendo la calidad de las pequeñas regiones despejadas presentes.

Desempeño de la Planificación

• Mejora de la Entrega: En escenarios de contacto interrumpido, el planificador DPMW aumenta la entrega de plazo-completa (reconstrucción completa del contenido despejado) del 38.1% (servicio de etapa fija de dos fases) al 83.5%.
• Optimalidad: El planificador alcanza el 83.6% de un límite superior clairvoyant certificado (que tiene acceso a las llegadas y capacidades futuras).
• Entrega Utilizable: También supera a los órdenes de referencia (EDF, valor nativo) en entrega de plazo-utilizable (completitud de la capa base), entregando 5.22 puntos porcentuales más de contenido despejado que el servicio de etapa fija durante las interrupciones.

Desempeño a Bordo

• Latencia y Energía: El tiempo de servicio del codificador optimizado en el Jetson Orin Nano es de 19.89 ms (p99), muy por debajo del objetivo de 33 ms derivado de los intervalos de captura.
• Eficiencia: El codificador optimizado consume menos tiempo y energía que una sola pasada del detector de nubes independiente utilizado en las reglas tradicionales de eliminación de cuadros. La relación de energía detector-codificador oscila entre 2.21 y 6.78, lo que indica que el método propuesto es computacionalmente más eficiente que la alternativa de "detección y descarte".

Significancia y Reivindicaciones

El artículo afirma ser el primer sistema de imágenes satelitales que combina la asignación de fuente con pesado de claridad en el tiempo de entrenamiento con el servicio causal de múltiples contactos de bytes de base y refinamiento reanudables utilizando un valor semántico nativo del códec.

La significancia radica en el cambio de paradigma: pasar de descartar datos potencialmente útiles (cuadros/teselas) a reasignar inteligentemente el ancho de banda limitado del enlace descendente hacia el contenido más valioso (terreno despejado). Al integrar el valor semántico directamente en el códec y el planificador, el sistema evita la sobrecarga de pasadas de detección separadas y las ineficiencias de las políticas de planificación fijas. Los autores enfatizan que, aunque no reclaman las optimizaciones de ingeniería (como el ajuste de la ruta de codificación entrópica) como contribuciones de investigación novedosas, liberan estas implementaciones para asegurar comparaciones justas. El sistema demuestra que preservar la calidad de las regiones despejadas es alcanzable con un costo de ancho de banda y computación significativamente menor que los métodos actuales de procesamiento a bordo de última generación.