Compressão e Denoising de Imagens de Ponta a Ponta: Aproveitando o Aprendizado Contrastivo e Redes Neurais Operacionais Auto-Organizáveis em Múltiplas Escalas

Imagens com ruído são um desafio para os algoritmos de compressão de imagem devido à dificuldade inerente de comprimir o ruído. Como o ruído não pode ser facilmente discernido dos detalhes da imagem, como sinais de alta frequência, sua presença leva à necessidade de bits extras para compressão. Uma vez que o emergente paradigma de compressão de imagem aprendida permite a otimização de codec de ponta a ponta, esforços recentes foram feitos para integrar o denoising no modelo de compressão, dependendo de características da imagem limpa para guiar o denoising. No entanto, esses métodos apresentam desempenho subótimo sob altos níveis de ruído, carecendo da capacidade de generalizar entre diversos tipos de ruído. Neste artigo, propomos um novo método integrando um denoiser em múltiplas escalas composto por Redes Neurais Operacionais Auto-Organizáveis, para compressão e denoising conjuntos de imagens. Usamos o aprendizado contrastivo para aumentar a habilidade da rede de diferenciar ruído de componentes de sinal de alta frequência, enfatizando a correlação entre contrapartes ruidosas e limpas. Resultados experimentais demonstram a eficácia do método proposto tanto em desempenho de taxa-distorção quanto em velocidade de codec, superando o atual estado da arte.