Resumo Técnico: Remoção de Ruído em Imagens Baseada em Percepção via Compressão Generativa

1. Declaração do Problema

A remoção de ruído em imagens visa eliminar o ruído preservando detalhes estruturais e realismo perceptual. No entanto, métodos tradicionais otimizados para métricas de distorção pixel a pixel (por exemplo, Erro Quadrático Médio ou PSNR) frequentemente produzem reconstruções excessivamente suavizadas, particularmente sob ruído intenso ou deslocamentos de distribuição. Isso ocorre porque minimizar apenas a distorção é insuficiente para a qualidade perceptual; o compromisso Taxa-Distorção-Percepção (RDP) formaliza que minimizar a distorção sem considerar restrições perceptuais leva à perda de texturas finas e estatísticas naturais de imagem.

Métodos existentes de restauração perceptual, como GANs Condicionais Wasserstein (WGANs), podem sofrer com treinamento instável e captura inadequada da diversidade de imagens naturais. Por outro lado, modelos de difusão oferecem treinamento estável e forte cobertura de modos, mas exigem integração com princípios de compressão para lidar efetivamente com a natureza estruturada do ruído versus sinais naturais.

2. Metodologia

O artigo propõe um framework de compressão generativa onde a remoção de ruído é alcançada reconstruindo imagens a partir de representações latentes codificadas por entropia. A premissa central é que sinais naturais exibem baixa complexidade, enquanto o ruído é desestruturado. Ao operar um compressor em um nível de distorção correspondente à força do ruído, o ruído de alta complexidade é suprimido enquanto o conteúdo estruturado é preservado.

Os autores introduzem duas instâncias complementares deste framework:

2.1. Removedor de Ruído por Compressão Condicional Baseado em WGAN (CGanDeCompress)

Esta abordagem integra compressão com perdas aprendida com treinamento adversarial condicional.

• Arquitetura: Um codificador ($E$) mapeia uma entrada ruidosa $y$ para uma representação latente quantizada $z$. Um decodificador ($G$) reconstrói a imagem desruidada $\hat{x}$ a partir de $z$.
• Controle de Taxa: O latente $z$ é codificado por entropia usando um modelo de probabilidade aprendido $P$, resultando em uma taxa $r(z) = -\log P(z)$.
• Objetivo de Treinamento: O sistema minimiza uma função de perda combinada:
  $$L_{EGP} = \mathbb{E}_y[\lambda r(z) + d(x, \hat{x}) - \beta \log D(\hat{x}, z)]$$
  onde $d(x, \hat{x})$ combina MSE e a perda de Similaridade de Patch de Imagem Perceptual Aprendida (LPIPS). Um discriminador WGAN condicional $D$ distingue imagens reconstruídas de imagens limpas condicionadas em $z$, promovendo realismo perceptual.
• Controle: Os parâmetros $\lambda$ e $\beta$ controlam explicitamente o compromisso taxa-distorção-percepção (RDP).

2.2. Reconstrução Condicional Baseada em Difusão (DiffDeCompress)

Esta abordagem aproveita modelos de difusão como priores generativos guiados por latentes comprimidos.

• Arquitetura: Um codificador estocástico mapeia $y$ para um latente compacto $z$. Um decodificador modela a distribuição condicional $p(x_0|z)$ via um processo de difusão reverso.
• Processo: O processo reverso é condicionado em $z$, guiando a trajetória de remoção de ruído em direção a reconstruções semanticamente consistentes, enquanto variáveis latentes intermediárias permitem a síntese de detalhes em escala fina.
• Objetivo de Treinamento: O modelo otimiza um limite superior variacional sobre a verossimilhança negativa de difusão, aumentado com uma perda LPIPS explícita:
  $$L = \rho L_p + (1-\rho)L_c$$
  onde $L_p$ é a perda LPIPS e $L_c$ inclui a restrição de taxa e a perda de reconstrução por difusão.

3. Contribuições Teóricas

O artigo estabelece garantias não assintóticas para remoção de ruído por máxima verossimilhança (ML) baseada em compressão sob ruído gaussiano branco aditivo (AWGN).

• Limites de Erro de Reconstrução: Os autores derivam limites superiores para o erro de reconstrução $\|x - \hat{x}\|$ em termos da taxa de compressão $R$, distorção $D(P)$ e nível de percepção $P$. O limite indica que, com alta probabilidade, o erro está próximo do limite teórico distorção-percepção $D(P)$.
• Probabilidade de Erro de Decodificação: O artigo fornece um limite para a probabilidade do removedor de ruído ML selecionar uma palavra-código incorreta, mostrando que essa probabilidade diminui exponencialmente com a taxa de compressão $R$.
• Conexão com a Teoria RDP: O framework teórico conecta explicitamente o desempenho de remoção de ruído à teoria RDP, demonstrando que os métodos propostos operam dentro dos limites teóricos dos compromissos distorção-percepção.

4. Resultados Experimentais

Os métodos foram avaliados em ruído gaussiano sintético (conjuntos de dados KODAK e DIV2K) e ruído do mundo real (Conjunto de Dados de Microscopia de Fluorescência e Conjunto de Dados de Remoção de Ruído de Imagens de Smartphone - SIDD).

• Ruído Sintético:

  • Qualidade Perceptual: Ambos os métodos propostos superaram consistentemente as linhas de base clássicas (BM3D) e baseadas em aprendizado (N2C, N2N, Deep Decoder) em métricas perceptuais (FID, LPIPS, PI).
  • Compromisso de Distorção: Embora métodos supervisionados como N2C tenham alcançado PSNR/SSIM mais altos, eles exibiram pontuações significativamente mais altas de FID e LPIPS, indicando saídas excessivamente suavizadas. Os métodos propostos mantiveram desempenho de distorção competitivo enquanto alcançavam realismo perceptual superior.
  • Específicos: Em $\sigma=15$, o CGanDeCompress alcançou o menor FID e LPIPS. Em níveis de ruído mais altos ($\sigma=50$), o DiffDeCompress alcançou a melhor qualidade perceptual (menor PI) no KODAK, enquanto o CGanDeCompress se destacou na similaridade distribucional (FID) no DIV2K.

• Ruído do Mundo Real:

  • Nos conjuntos de dados FMD e SIDD, o CGanDeCompress demonstrou robustez a deslocamentos de domínio e ruído complexo do mundo real.
  • FMD: O LPIPS melhorou de 0,439 (ruidoso) para 0,035, com o PSNR aumentando de 28,45 dB para 36,71 dB.
  • SIDD: O LPIPS reduziu de 0,646 para 0,093, e o PSNR aumentou de 26,35 dB para 32,70 dB, com ganhos significativos na similaridade estrutural (SSIM).

5. Significado e Alegações

O artigo alega que o framework de compressão generativa proposto conecta com sucesso a lacuna entre a remoção de ruído orientada por distorção e a orientada por percepção. Ao interpretar a remoção de ruído como uma projeção sobre uma classe de sinais de baixa complexidade induzida por um codec com perdas, o método alcança:

1. Controle Explícito: A capacidade de gerenciar explicitamente o compromisso RDP por meio de modelos de compressão aprendidos.
2. Fidelidade Perceptual: A geração de texturas realistas e detalhes finos que frequentemente são perdidos em métodos otimizados por MSE.
3. Fundamentação Teórica: O estabelecimento de limites não assintóticos que ligam a taxa de compressão ao erro de remoção de ruído, validando a abordagem através de princípios da teoria da informação.
4. Robustez: Desempenho consistente em benchmarks sintéticos e cenários desafiadores do mundo real envolvendo deslocamentos de domínio e distribuições de ruído complexas.

Os autores concluem que a compressão generativa oferece um paradigma robusto para remoção de ruído em imagens baseada em percepção, alcançando fidelidade perceptual aprimorada sem sacrificar desempenho de distorção competitivo.