Estimating SSIM from MSE for DCT-Based Compressed Images

तकनीकी सारांश: DCT-आधारित संपीड़ित छवियों के लिए MSE से SSIM का अनुमान लगाना

समस्या विवरण
आधुनिक वीडियो और इमेज प्रोसेसिंग पाइपलाइनों में, विशेष रूप से कंटेंट एडेप्टिव एनकोडिंग का उपयोग करने वाले क्षेत्रों में, ऐसे ऑब्जेक्टिव क्वालिटी मेट्रिक्स की महत्वपूर्ण आवश्यकता है जो गणनात्मक रूप से कुशल और धारणात्मक रूप से सार्थक (perceptually meaningful) हों। जबकि स्ट्रक्चरल सिमिलरिटी इंडेक्स (SSIM), व्यापक रूप से उपयोग किए जाने वाले पीक सिग्नल-टू-नॉइज़ रेशियो (PSNR) की तुलना में बेहतर धारणात्मक सहसंबंध (perceptual correlation) प्रदान करता है, इसकी मानक गणना के लिए फुल-रेफरेंस विश्लेषण की आवश्यकता होती है। विशेष रूप से, SSIM की गणना के लिए संदर्भ छवि ($X$) और विकृत छवि ($Y$) दोनों से स्थानीय-विंडो सांख्यिकी (माध्य, प्रसरण, और सहप्रसरण) की आवश्यकता होती है।

उन परिदृश्यों में जहाँ एक ही स्रोत सामग्री को विभिन्न बिटरेट, रिज़ॉल्यूशन और कॉन्फ़िगरेशन के तहत बार-बार एनकोड किया जाता है, प्रत्येक विकृत फ्रेम के लिए स्थानीय सांख्यिकी की गणना करना महत्वपूर्ण कम्प्यूटेशनल ओवरहेड और डेटा-डिपेंडेंसी लागत उत्पन्न करता है। इस शोध पत्र द्वारा संबोधित मुख्य समस्या यह है कि केवल ग्लोबल मीन स्क्वायर एरर (MSE) या ग्लोबल PSNR और केवल संदर्भ छवि से प्राप्त सांख्यिकी का उपयोग करके SSIM का अनुमान कैसे लगाया जाए, जिससे विकृत सिग्नल के स्थानीय-विंडो विश्लेषण की आवश्यकता समाप्त हो सके।

कार्यप्रणाली (Methodology)
प्रस्तावित दृष्टिकोण मार्टिनी [3] के पूर्व कार्य पर आधारित है, जिसने स्थानीय SSIM और स्थानीय MSE ($MSE_\ell$) के बीच संबंध स्थापित किया था, जिसे स्रोत के स्थानीय प्रसरण ($\sigma_x^2$) के साथ जोड़ा गया है। हालाँकि, [3] में मानक सन्निकटन (approximation) अभी भी $MSE_\ell$ की आवश्यकता रखता है, जो तब उपलब्ध नहीं होता जब केवल ग्लोबल MSE ($MSE_G$) ज्ञात हो।

इसे हल करने के लिए, लेखक स्रोत गतिविधि के आधार पर ग्लोबल डिस्टॉर्शन को स्थानीय विंडोज़ में पुनर्वितरित करके $MSE_\ell$ को मॉडल करने का प्रस्ताव करते हैं। कार्यप्रणाली इस प्रकार है:

1. त्रुटि पुनर्वितरण मॉडल (Error Redistribution Model): लेखक यह परिकल्पना करते हैं कि DCT-आधारित संपीड़न में क्वांटिज़ेशन त्रुटियां स्थानिक रूप से समान (spatially uniform) नहीं होती हैं; वे स्थानीय छवि गतिविधि के साथ सह-संबंधित होती हैं। चिकने क्षेत्र (Smooth regions) आमतौर पर कम त्रुटियों को बनाए रखते हैं, जबकि बनावट वाले क्षेत्र (textured regions) बड़ी त्रुटियों को अवशोषित करते हैं।
2. प्रसरण-आधारित पुनर्वितरण (Variance-Based Redistribution): एक प्रथम-क्रम का मॉडल $MSE_G$ को स्थानीय प्रसरण के आनुपातिक रूप से पुनर्वितरित करता है:
   $$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x^2}{E[\sigma_x^2]}$$
3. सबलीनियर रिफाइनमेंट (Sublinear Refinement): अनुभवजन्य विश्लेषण (Empirical analysis) से पता चला कि लीनियर प्रसरण मॉडल उच्च-प्रसरण वाले क्षेत्रों में त्रुटि को अत्यधिक आवंटित (over-allocate) कर देता है। इसे सुधारने के लिए, लेखक एक शेपिंग एक्सपोनेंट $\beta \in [0, 1]$ पेश करते हैं ताकि एक सबलीनियर संबंध बनाया जा सके:
   $$MSE_\ell \approx MSE_G \cdot \frac{(\sigma_x^2 + \epsilon)^\beta}{E[(\sigma_x^2 + \epsilon)^\beta]}$$
   Kodak और Xiph डेटासेट पर अनुकूलन (Optimization) से $\beta$ के मान लगभग 0.46 और 0.48 प्राप्त हुए, जो यह सुझाव देते हैं कि संबंध वर्गमूल (square root) के करीब है।
4. मानक विचलन सूत्रीकरण (Standard Deviation Formulation): इष्टतम $\beta \approx 0.5$ से प्रेरित होकर, लेखक प्रसरण के बजाय मानक विचलन ($\sigma_x$) का उपयोग करते हुए एक पैरामीटर-मुक्त मॉडल प्रस्तावित करते हैं। यह स्थानीय गतिविधि के डायनेमिक रेंज को संकुचित (compress) करता है, जिससे अत्यधिक बनावट वाले क्षेत्रों का प्रभुत्व कम हो जाता है:
   $$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x + \epsilon}{E[\sigma_x + \epsilon]}$$
5. SSIM सन्निकटन (SSIM Approximation): अनुमानित $MSE_\ell$ को स्थानीय SSIM सन्निकटन सूत्र में प्रतिस्थापित करके, ग्लोबल मीन SSIM (MSSIM) को एक स्रोत-निर्भर स्केलर ($k$) और ग्लोबल डिस्टॉर्शन मेजर ($MSE_G$) के गुणनफल में बदल दिया जाता है। यह विकृत छवि पर प्रति-विंडो SSIM गणना की आवश्यकता को समाप्त करता है।

प्रमुख योगदान

• स्रोत-मात्र सन्निकटन (Source-Only Approximation): यह शोध पत्र केवल ग्लोबल MSE और विशेष रूप से संदर्भ छवि से प्राप्त स्थानीय सांख्यिकी का उपयोग करके SSIM का अनुमान लगाने के लिए एक ढांचा स्थापित करता है।
• पैरामीटर-मुक्त मॉडल: अनुभवजन्य अनुकूलन के माध्यम से, लेखक प्रदर्शित करते हैं कि एक मानक-विचलन-आधारित पुनर्वितरण मॉडल (प्रभावी रूप से $\beta \approx 0.5$ का उपयोग करते हुए) एक मजबूत, पैरामीटर-मुक्त समाधान प्रदान करता है जो प्रसरण-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
• पाइपलाइन दक्षता: यह विधि पूर्ण-रेफरेंस विश्लेषण को एक पूर्व-गणना योग्य, पुन: प्रयोज्य स्रोत स्केलर और एक ग्लोबल डिस्टॉर्शन मेट्रिक के संयोजन में बदल देती है जो एनकोडर से उपलब्ध होता है।

प्रायोगिक परिणाम
प्रस्तावित विधियों को JPEG गुणवत्ता स्तरों (35 से 95) की एक श्रृंखला में Kodak Lossless True Color Image Suite और Xiph.org Subset1 डेटासेट पर मान्य किया गया। परिणामों की तुलना निम्नलिखित से की गई:

1. वास्तविक SSIM (ग्राउंड ट्रुथ)।
2. एक ग्लोबल MSE बेसलाइन।
3. मार्टिनी की स्थानीय-MSE विधि [3] (जो सटीकता के लिए एक ऊपरी सीमा के रूप में कार्य करती है लेकिन इसके लिए स्थानीय MSE की आवश्यकता होती है)।
4. प्रस्तावित सबलीनियर प्रसरण और मानक-विचलन मॉडल।

निष्कर्ष:

• सटीकता: दोनों प्रस्तावित दृष्टिकोण ग्लोबल MSE बेसलाइन की तुलना में काफी अधिक सटीक SSIM अनुमान प्रदान करते हैं।
• स्थानीय MSE के साथ तुलना: मानक-विचलन-आधारित मॉडल उन अनुमानों के करीब है जो स्थानीय MSE का उपयोग करके प्राप्त होते हैं, जिसमें सन्निकटन त्रुटियां विशिष्ट गुणवत्ता स्तरों में 1% से नीचे रहती हैं।
• त्रुटि विशेषताएँ: निम्न JPEG गुणवत्ता स्तरों पर, सबलीनियर प्रसरण मॉडल ने बनावट वाले क्षेत्रों में त्रुटि के अत्यधिक आवंटन के कारण बड़े विचलन दिखाए। मानक-विचलन मॉडल ने डायनेमिक रेंज को संकुचित करके इसे कम किया, जिसके परिणामस्वरूप अधिक संतुलित त्रुटि वितरण प्राप्त हुआ।
• मोनोटोनिसिटी (Monotonicity): दोनों विधियों ने JPEG गुणवत्ता और SSIM के बीच मोनोटोनिक संबंध को सफलतापूर्वक संरक्षित किया, जिससे वे तुलनात्मक मूल्यांकन के लिए उपयुक्त बन गए।
• सीमाएँ: लेखक नोट करते हैं कि बहुत निम्न गुणवत्ता स्तरों पर, डिस्टॉर्शन तेजी से आर्टिफैक्ट-निर्भर हो जाता है और स्रोत-केवल सांख्यिकी द्वारा कम अच्छी तरह से वर्णित किया जाता है, जिससे सन्निकटन त्रुटि बढ़ जाती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि DCT-आधारित संपीड़ित छवियों के लिए, केवल ग्लोबल MSE और संदर्भ-व्युत्पन्न स्थानीय सांख्यिकी का उपयोग करके उच्च सटीकता के साथ SSIM का अनुमान लगाया जा सकता है। यह क्षमता उन वीडियो पाइपलाइनों के लिए महत्वपूर्ण है जहाँ एक ही सामग्री को कई बार एनकोड किया जाता है; स्रोत-व्युत्पन्न सांख्यिकी को एक बार गणना किया जा सकता है, कैश किया जा सकता है, और सभी एनकोड के लिए एमोर्टाइज (amortize) किया जा सकता है, जिससे कम्प्यूटेशनल लागत और डेटा निर्भरता कम हो जाती है।

लेखक एक सीमित दायरे बनाए रखते हुए कहते हैं कि वर्तमान सत्यापन केवल JPEG स्टिल इमेजेस तक सीमित है। वे स्पष्ट रूप से कहते हैं कि आधुनिक इमेज और वीडियो कोडक पर ढांचे का मूल्यांकन करने, स्थानीय-MSE अनुमानों के विरुद्ध रनटाइम प्रदर्शन की तुलना करने, और बार-बार वीडियो एनकोडिंग परिदृश्यों में सांख्यिकी को एमोर्टाइज करने के लाभों को मापने के लिए भविष्य के कार्य की आवश्यकता है। यह शोध पत्र SSIM को ग्राउंड ट्र truth के रूप में बदलने का दावा नहीं करता है, बल्कि विशिष्ट, सीमित पाइपलाइन संदर्भों में इसके लिए एक अत्यधिक कुशल प्रॉक्सी (proxy) प्रदान करने का दावा करता है।