Desmatação: dos métodos clássicos às CNNs profundas

Este artigo tem como objetivo explorar a evolução da desmatação de imagens de forma pedagógica. Revisamos brevemente métodos clássicos, como análise de Fourier e bases de wavelet, destacando os desafios que enfrentaram até a emergência das redes neurais, notavelmente a U-Net, na década de 2010. O desempenho notável dessas redes foi demonstrado em estudos como o de Kadkhodaie et al. (2024). Elas exibem adaptabilidade a vários tipos de imagem, incluindo aquelas com regularidade fixa, imagens faciais e cenas de quartos, alcançando resultados ótimos e tendendo para bases harmônicas adaptativas à geometria. A introdução da difusão de pontuação desempenhou um papel crucial na geração de imagens. Nesse contexto, a desmatação se torna essencial, pois facilita a estimativa de pontuações de densidade de probabilidade. Discutimos os pré-requisitos para o aprendizado genuíno de densidades de probabilidade, oferecendo insights que se estendem desde a pesquisa matemática até as implicações de estruturas universais.