Diseñando sistemas de imagen usando teoría de la información

Dos problemas afectaban a los enfoques anteriores basados en la teoría de la información para la obtención de imágenes: tratar los sistemas como canales sin restricciones (estimaciones inexactas) o requerir modelos de objetos explícitos (generalidad limitada). El equipo de investigación de Berkeley AI resolvió ambos problemas estimando la información mutua directamente a partir de las mediciones, aprovechando los modelos de ruido conocidos de los sistemas de imagen. Descomponen la información mutua en la variación total de la medición menos la variación debida solo al ruido; esta última se calcula analíticamente a partir de la física del ruido, mientras que la primera se aprende de los datos utilizando modelos probabilísticos (proceso gaussiano, gaussiano completo o PixelCNN). La validación en fotografía en color, radioastronomía, imagen sin lentes y microscopía mostró que las estimaciones de información más altas predecían consistentemente un mejor rendimiento en tareas de reconstrucción posteriores. Sobre esta base, introducen el Aprendizaje de Análisis de Codificador Impulsado por Información (IDEAL, por sus siglas en inglés), que utiliza el ascenso de gradiente en las estimaciones de información para optimizar los parámetros del sistema de imagen sin una red decodificadora. En el diseño de filtros de color, IDEAL igualó la optimización de extremo a extremo tanto en información como en calidad de reconstrucción, mientras requería menos memoria y cómputo. El marco promete extenderse más allá de la imagen a otros dominios de detección con características de ruido conocidas.