Diseño de Sistemas de Visualización Basados en Teoría de la Información

El laboratorio BAIR (Berkeley AI Research) ha presentado un nuevo enfoque para diseñar sistemas de visualización basado en la medición directa del contenido informativo. En muchos sistemas —desde teléfonos inteligentes hasta resonancias magnéticas y LIDAR— las mediciones no están destinadas a la percepción humana, pero la inteligencia artificial es capaz de extraer información útil. Las métricas tradicionales de calidad (resolución, relación señal-ruido) evalúan factores por separado, mientras que el entrenamiento de redes neuronales para reconstrucción o clasificación mezcla la calidad del hardware y los algoritmos. Los autores propusieron evaluar la información mutua entre el objeto y la medición, utilizando únicamente datos ruidosos y un modelo de ruido conocido (ruido de fotones de Poisson y ruido de lectura gaussiano). Esto permite descomponer la evaluación en dos componentes: la entropía de las mediciones (estimada con un modelo probabilístico, por ejemplo, un transformador) y la entropía condicional (calculada analíticamente). El método se probó en cuatro áreas: fotografía en color (selección del filtro Bayer), radioastronomía (selección de la disposición de telescopios), imagen sin lente y microscopía. En todos los casos, la estimación de información se correlacionó con la calidad de la reconstrucción mediante redes neuronales. Sobre la base de este enfoque se desarrolló el método IDEAL (Information-Driven Encoder Analysis Learning), que optimiza los parámetros del sistema de visualización (por ejemplo, el filtro de color) mediante ascenso por gradiente en la estimación de información, sin necesidad de entrenar un decodificador. Los resultados mostraron que IDEAL alcanza la misma calidad que el entrenamiento de extremo a extremo, pero con menor uso de memoria y cómputo. Según los autores, el método podría aplicarse no solo en visualización, sino también en otros tipos de sensores —electrónicos, biológicos, químicos.