Estimating SSIM from MSE for DCT-Based Compressed Images

Sintesi Tecnica: Stima dell'SSIM dal MSE per Immagini Compresse tramite DCT

Enunciato del Problema
Nelle moderne pipeline di elaborazione di video e immagini, in particolare quelle che utilizzano la codifica adattiva al contenuto (Content Adaptive Encoding), esiste una necessità critica di metriche di qualità oggettive che siano al contempo computazionalmente efficienti e percettivamente significative. Sebbene l'indice di somiglianza strutturale (SSIM) offra una correlazione percettiva superiore rispetto al più ampiamente utilizzato PSNR, il suo calcolo standard richiede un'analisi a riferimento completo. Nello specifico, il calcolo dell'SSIM necessita di statistiche di finestra locale (media, varianza e covarianza) sia dall'immagine di riferimento ($X$) che dall'immagine distorta ($Y$).

In scenari in cui lo stesso contenuto sorgente viene codificato ripetutamente attraverso vari bitrate, risoluzioni e configurazioni, il calcolo delle statistiche locali per ogni fotogramma distorto introduce un carico computazionale significativo e costi dipendenti dai dati. Il problema centrale affrontato da questo articolo è come approssimare l'SSIM utilizzando solo l'Errore Quadratico Medio (MSE) globale o il PSNR globale e le statistiche derivate esclusivamente dall'immagine di riferimento, eliminando così la necessità di un'analisi della finestra locale del segnale distorto.

Metodologia
L'approccio proposto si basa sul lavoro precedente di Martini [3], il quale ha stabilito una relazione tra l'SSIM locale e l'MSE locale ($MSE_\ell$) combinato con la varianza locale della sorgente ($\sigma_x^2$). Tuttavia, l'approssimazione standard in [3] richiede ancora l' $MSE_\ell$, che non è disponibile quando è noto solo l' $MSE_G$ globale.

Per risolvere questo problema, gli autori propongono di modellare l' $MSE_\ell$ ridistribuendo la distorsione globale attraverso le finestre locali in base all'attività della sorgente. La metodologia procede come segue:

1. Modello di Ridistribuzione dell'Errore: Gli autori ipotizzano che gli errori di quantizzazione nella compressione basata su DCT non siano spazialmente uniformi; essi correlano con l'attività locale dell'immagine. Le regioni lisce mantengono tipicamente errori inferiori, mentre le regioni testurizzate assorbono errori maggiori.
2. Ridistribuzione Basata sulla Varianza: Un modello di primo ordine ridistribuisce l' $MSE_G$ proporzionalmente alla varianza locale:
   $$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x^2}{E[\sigma_x^2]}$$
3. Raffinamento Sublineare: L'analisi empirica ha rivelato che il modello lineare della varianza sovra-alloca l'errore nelle regioni ad alta varianza. Per correggere questo, gli autori introducono un esponente di forma $\beta \in [0, 1]$ per creare una relazione sublineare:
   $$MSE_\ell \approx MSE_G \cdot \frac{(\sigma_x^2 + \epsilon)^\beta}{E[(\sigma_x^2 + \epsilon)^\beta]}$$
   L'ottimizzazione sui dataset Kodak e Xiph ha prodotto valori di $\beta$ approssimativamente pari a 0,46 e 0,48, suggerendo una relazione vicina alla radice quadrata.
4. Formulazione della Deviazione Standard: Motivati dall'ottimo $\beta \approx 0,5$, gli autori propongono un modello privo di parametri utilizzando la deviazione standard ($\sigma_x$) invece della varianza. Questo comprime l'intervallo dinamico dell'attività locale, riducendo la dominanza delle regioni altamente testurizzate:
   $$MSE_\ell \approx MSE_G \cdot \frac{\sigma_x + \epsilon}{E[\sigma_x + \epsilon]}$$
5. Approssimazione SSIM: Sostituendo questo $MSE_\ell$ stimato nella formula di approssimazione dell'SSIM locale, il Mean SSIM globale (MSSIM) viene ridotto a un prodotto tra uno scalare dipendente dalla sorgente ($k$) e la misura di distorsione globale ($MSE_G$). Ciò elimina la necessità di calcolare l'SSIM per ogni finestra sull'immagine distorta.

Contributi Chiave

• Approssimazione Basata Solo sulla Sorgente: Il documento stabilisce un framework per approssimare l'SSIM utilizzando solo l'MSE globale e le statistiche locali derivate esclusivamente dall'immagine di riferimento.
• Modello Privo di Parametri: Attraverso l'ottimizzazione empirica, gli autori dimostrano che un modello di ridistribuzione basato sulla deviazione standard (utilizzando efficacemente $\beta \approx 0,5$) fornisce una soluzione robusta e priva di parametri che supera gli approcci basati sulla varianza.
• Efficienza della Pipeline: Il metodo riduce l'analisi ripetuta a riferimento completo a una combinazione di uno scalare dipendente dalla sorgente, riutilizzabile e pre-calcolato, e una metrica di distorsione globale disponibile dall'encoder.

Risultati Sperimentali
I metodi proposti sono stati validati sul Kodak Lossless True Color Image Suite e sul dataset Xiph.org Subset1 attraverso un intervallo di livelli di qualità JPEG (da 35 a 95). I risultati sono stati confrontati con:

1. Il vero SSIM (ground truth).
2. Un baseline di MSE globale.
3. Il metodo dell'MSE locale di Martini [3] (che funge da limite superiore per l'accuratezza ma richiede l'MSE locale).
4. I modelli proposti della varianza sublineare e della deviazione standard.

Risultati:

• Accuratezza: Entrambi gli approcci proposti forniscono stime dell'SSIM significativamente più accurate rispetto al baseline dell'MSE globale.
• Confronto con l'MSE Locale: Il modello basato sulla deviazione standard produce stime vicine a quelle ottenute utilizzando l'MSE locale, con errori di approssimazione che rimangono inferiori all'1% attraverso i livelli di qualità tipici.
• Caratteristiche dell'Errore: Ai livelli di qualità JPEG più bassi, il modello della varianza sublineare ha mostrato deviazioni maggiori a causa della sovra-allocazione della distorsione alle regioni testurizzate. Il modello della deviazione standard ha mitigato questo effetto comprimendo l'intervallo dinamico, risultando in una distribuzione dell'errore più bilanciata.
• Monotonicità: Entrambi i metodi hanno preservato con successo la relazione monotona tra la qualità JPEG e l'SSIM, rendendoli adatti alla valutazione comparativa.
• Limitazioni: Gli autori osservano che a livelli di qualità molto bassi, la distorsione diventa sempre più dipendente dagli artefatti e meno descrivibile dalle sole statistiche della sorgente, portando a un aumento dell'errore di approssimazione.

Significatività e Rivendicazioni
Il documento sostiene che, per le immagini compresse tramite DCT, è possibile approssimare l'SSIM con alta precisione utilizzando solo l'MSE globale e le statistiche locali derivate dal riferimento. Questa capacità è significativa per le pipeline video in cui lo stesso contenuto viene codificato più volte; le statistiche derivate dalla sorgente possono essere calcolate una sola volta, memorizzate in cache e ammortizzate su tutte le codifiche, riducendo i costi computazionali e le dipendenze dai dati.

Gli autori mantengono un ambito modesto, notando che la validazione attuale è limitata alle immagini JPEG. Affermano esplicitamente che sono necessari lavori futuri per valutare il framework su moderni codec di immagini e video, confrontare le prestazioni di runtime rispetto alle approssimazioni dell'MSE locale e quantificare i benefici dell'ammortamento delle statistiche negli scenari di codifica video ripetuta. Il documento non pretende di sostituire l'SSIM come verità assoluta (ground truth), ma piuttosto di fornire un proxy altamente efficiente per esso in specifici contesti di pipeline vincolati.