Projetando sistemas de visualização baseados na Teoria da Informação

O laboratório BAIR (Berkeley AI) apresentou uma nova abordagem para projetar sistemas de visualização, baseada na medição direta do conteúdo de informação. Em muitos sistemas — de smartphones a ressonância magnética e lidar — as medições não são destinadas à percepção humana, mas a IA é capaz de extrair informações úteis. As métricas tradicionais de qualidade (resolução, relação sinal-ruído) avaliam os fatores individualmente, e o treinamento de redes neurais para reconstrução ou classificação mistura a qualidade do hardware e dos algoritmos. Os autores propuseram avaliar a informação mútua entre o objeto e a medição, utilizando apenas dados ruidosos e um modelo de ruído conhecido (ruído Poisson de fótons e ruído Gaussiano de leitura). Isso permite decompor a avaliação em dois componentes: a entropia das medições (estimada por um modelo probabilístico, como um transformador) e a entropia condicional (calculada analiticamente). O método foi testado em quatro áreas: fotografia colorida (escolha do filtro de Bayer), radioastronomia (escolha do posicionamento dos telescópios), imageamento sem lentes e microscopia. Em todos os casos, a estimativa de informação correlacionou-se com a qualidade da reconstrução por rede neural. Com base nessa abordagem, foi desenvolvido o método IDEAL (Information-Driven Encoder Analysis Learning), que otimiza os parâmetros do sistema de visualização (por exemplo, o filtro de cores) por meio de ascensão gradiente na estimativa de informação, sem exigir treinamento de um decodificador. Os resultados mostraram que o IDEAL atinge a mesma qualidade que o treinamento ponta a ponta, mas com menor custo de memória e computação. Segundo os autores, o método pode ser aplicado não apenas em visualização, mas também em outros tipos de sensores — eletrônicos, biológicos, químicos.