Resumo Técnico: PICM-Net – Compressão de Imagem Progressiva Aprendida para Percepção de Máquina

1. Declaração do Problema

Os padrões tradicionais de compressão de imagem (ex: JPEG, VVC) e os recentes codecs de imagem aprendidos (LIC) são otimizados para a percepção visual humana, priorizando métricas de fidelidade perceptual como MSE, MS-SSIM ou LPIPS. Embora os codecs baseados em aprendizado profundo tenham superado os métodos tradicionais em desempenho de taxa-distorção, seus objetivos permanecem centrados na qualidade visual humana.

Concomitantemente, o surgimento de aplicações de visão computacional (direção autônoma, vigilância, sensoriamento remoto) criou uma demanda por codecs orientados à máquina, que otimizam o desempenho de tarefas de jusante (ex: acurácia de classificação) em vez da reconstrução ao nível do pixel. No entanto, os existentes codecs orientados à máquina operam tipicamente de maneira não progressiva e de passagem única. Eles carecem de Escalabilidade de Grão Fino (FGS), um recurso bem estabelecido na compressão orientada ao humano que permite que um único fluxo de bits seja decodificado em múltiplos níveis de qualidade. Essa lacuna impede que sistemas de visão computacional se adaptem dinamicamente a larguras de banda de rede flutuantes ou requisitos de confiança variáveis sem a necessidade de reencodificar ou retransmitir dados.

2. Metodologia

Os autores propõem o PICM-Net, o primeiro codec de compressão de imagem progressiva projetado especificamente para a percepção de máquina. O framework é construído sobre um backbone de autoencoder baseado em hiperprior orientado ao humano (TransTIC) congelado e introduz três componentes principais para permitir a transmissão progressiva adaptativa e orientada à tarefa.

2.1 Codificação de Plano de Trits Progressivo

Para permitir a decodificação de grosseiro para fino a partir de um único fluxo de bits, a representação latente é decomposta em dígitos ternários (trits) em vez de bits binários.

• Decomposição de Plano de Trits: Os coeficientes latentes são quantizados e decompostos em uma sequência de trits ($d \in \{0, 1, 2\}$).
• Alocação de Comprimento de Plano: O número de planos de trits alocados para cada coeficiente é determinado pelo seu parâmetro de escala previsto ($\hat{\sigma}$) a partir do prior Gaussiano. Coeficientes com distribuições mais amplas recebem mais planos.
• Priorização de Símbolos: Dentro de cada plano, os símbolos são ordenados com base em seus parâmetros de escala (ordenação baseada em $\sigma$). Esta estratégia é computacionalmente eficiente e empiricamente demonstrada como mais eficaz do que a ordenação baseada em variância esperada para esta tarefa.
• Decodificação: O fluxo de bits pode ser truncado em qualquer nível de plano de trits $\ell$, permitindo que o decodificador reconstrua uma imagem em vários níveis de fidelidade.

2.2 Adaptação Progressiva Orientada à Máquina

Como o backbone é treinado para a percepção humana, os autores introduzem módulos de adaptação leves para alinhar o codec com tarefas de visão computacional sem retreinar toda a rede:

• Adaptador de Modulação Espacial-Frequencial (SFMA): Inserido no codificador e no decodificador, o SFMA modula características tanto no domínio espacial quanto no frequencial. Ele suprime informações visualmente importantes, mas irrelevantes para a tarefa, enquanto amplifica características semanticamente discriminativas.
• Adaptador de Baixo Rank de Síntese de Hiperparâmetros (HSLoRA): Um módulo LoRA leve aplicado apenas à rede de síntese de hiperparâmetros ($h_s$). Ele realinha os parâmetros de média e escala do modelo de entropia com a distribuição latente deslocada pelo SFMA, garantindo que a codificação de entropia permaneça válida sem perturbar o modelo de densidade do hiperprior fixo.
• Treinamento Consciente de Decodificação Progressiva: Os módulos de adaptação são treinados usando uma função de perda que amostra prefixos de plano de trits aleatórios ($\ell$) durante o treinamento. Isso garante que o compromisso entre taxa e acurácia seja otimizado não apenas na reconstrução total, mas em toda a trajetória de decodificação progressiva, incentivando os trits iniciais a carregar conteúdo semântico discriminativo.

2.3 Controlador de Decodificação Adaptativo

Para abordar a assimetria entre a percepção humana e a de máquina (onde as máquinas não se beneficiam de bits além do ponto de inferência confiável), os autores introduzem um Controlador de Decodificação Adaptativo.

• Mecanismo: Um modelo de regressão logística leve analisa as estatísticas de saída do classificador (logits, probabilidades softmax) em cada nível de decodificação $\ell$.
• Função: O controlador prevê a "adequação" (probabilidade de classificação correta) da reconstrução parcial atual.
• Inferência: Durante a inferência, o sistema decodifica progressivamente. Se a adequação prevista $S(\ell)$ exceder um limiar de confiança definido pelo usuário $\tau$, a decodificação para e os bits restantes são descartados. Isso determina dinamicamente a taxa de bits mínima necessária por imagem.

3. Principais Contribuições

1. Arquitetura PICM-Net: O primeiro codec de imagem progressiva para percepção de máquina, utilizando codificação de plano de trits para permitir a decodificação de múltiplos níveis a partir de um único fluxo de bits.
2. Adaptação Consciente da Tarefa: Uma estratégia de adaptação inovadora combinando SFMA e HSLoRA com treinamento consciente de decodificação progressiva. Isso desloca a priorização de símbolos no fluxo de bits para regiões discriminativas da tarefa (ex: bordas de objetos) em vez de uma distribuição espacial uniforme.
3. Controlador de Decodificação Adaptativo: Um mecanismo que seleciona dinamicamente o nível de decodificação com base na adequação de jusante prevista, eliminando a transmissão desnecessária de bits para amostras "fáceis" enquanto aloca mais bits para amostras "difíceis".
4. Validação Empírica: Experimentos abrangentes demonstrando desempenho superior de taxa-acurácia em comparação com codecs progressivos orientados ao humano de última geração e desempenho competitivo contra codecs orientados à máquina não progressivos.

4. Resultados Experimentais

Experimentos foram conduzidos no conjunto de validação ImageNet-1K usando classificadores ResNet-50 e ConvNeXt.

• Desempenho Taxa-Acurácia: O PICM-Net supera consistentemente os codecs progressivos orientados ao humano existentes (ex: PLONQ, DPICT, DeepHQ) em todas as taxas de bits. Ele alcança uma redução de BD-rate de −21,6% em comparação com um decodificador estático sem o controlador adaptativo na região operacional prática (acurácia $\ge$ 70%).
• Eficiência Adaptativa: O controlador adaptativo realoca bits com sucesso. Para imagens "fáceis" (onde o classificador atinge alta confiança precocemente), o controlador interrompe a decodificação após utilizar apenas ~4% da trajetória progressiva. Para imagens "difíceis", ele continua a decodificação até ~67% da trajetória.
• Economia de Taxa de Bits: Em limiares de confiança fixos de 70%, 73% e 75%, o controlador reduz a taxa de bits média em 18,7%, 23,9% e 26,4%, respectivamente.
• Estudos de Ablação:
  • A remoção do treinamento consciente de decodificação progressiva causa um colapso significativo na acurácia média através das taxas de bits (caindo de 66,5% para 54,1%), confirmando sua necessidade.
  • O SFMA contribui com o maior ganho de desempenho (−66,9% de BD-rate), enquanto o HSLoRA fornece um refinamento marginal, mas necessário (−1,9%).
  • A ordenação de símbolos baseada em sigma é preferida em relação à ordenação baseada em variância esperada devido a uma aceleração de 20,7x na priorização com perda de desempenho negligível.

5. Significância e Alegações

O artigo afirma que o PICM-Net preenche a lacuna entre a flexibilidade da compressão progressiva e a eficiência da otimização orientada à máquina. Ao permitir a escalabilidade de grão fino para visão computacional, o framework permite que sistemas operem eficientemente sob restrições dinâmicas de largura de banda sem sacrificar o desempenho da tarefa.

Os autores enfatizam que, ao contrário da percepção humana, onde mais bits sempre resultam em melhor qualidade visual, a percepção de máquina possui um ponto de saturação onde bits adicionais não fornecem utilidade. O PICM-Net explora isso através de seu controlador adaptativo, que trunca dinamicamente o fluxo de bits, oferecendo uma solução prática para implantações no mundo real onde os recursos de rede são limitados. O trabalho estabelece uma base para pesquisas futuras em adaptação agnóstica ao classificador e para a extensão da compressão progressiva para tarefas densas de máquina, como detecção e segmentação.