Recientemente, un equipo de investigación dirigido por Wang Quan —investigador del Laboratorio de Tecnología de Imágenes Espectrales del Instituto de Óptica y Mecánica de Precisión de Xi’an (XIOPM), adscrito a la Academia de Ciencias de China— logró un progreso significativo en el campo de la imagen computacional. Para abordar los cuellos de botella fundamentales —tales como las drásticas variaciones entre fotogramas y los artefactos de multiplexación temporal— que los métodos tradicionales tienen dificultades para resolver en la captura de videos en movimiento mediante imágenes compresivas instantáneas, el equipo propuso de manera innovadora un marco de «despliegue profundo» (deep unfolding) basado en una red troncal de «Estimación de Degradación Progresiva y Reducción de Ruido» (PDE-D). Este marco ofrece una vía técnica totalmente nueva para la reconstrucción de alta calidad de escenas dinámicas. Los hallazgos pertinentes han sido publicados en la revista *Pattern Recognition*.
Estructuralmente, este marco logra un avance crítico: adopta una arquitectura de despliegue por etapas que incorpora de forma sinérgica módulos tanto de «estimación de degradación» como de «reducción de ruido» en cada fase. El módulo de «estimación de degradación» se centra en los inevitables sesgos de reconstrucción inherentes a los problemas inversos mal planteados; al utilizar un mecanismo de corrección residual «aprendible» para refinar con precisión los datos de medición en 2D, suprime eficazmente los artefactos no uniformes. Por su parte, el módulo de «reducción de ruido» introduce de manera innovadora un mecanismo de «sinergia espacio-temporal adaptativa» que —sin necesidad de operaciones explícitas de alineación— impone restricciones de coherencia sobre la información temporal y facilita la recuperación de detalles, mejorando así significativamente el rendimiento del algoritmo en escenarios de movimiento complejos.
Yin Jianfu, primer autor del artículo y estudiante de doctorado en el XIOPM, explica el concepto utilizando el ejemplo de un gato saltando: con la fotografía tradicional, capturar una ráfaga de ocho tomas requiere presionar el obturador ocho veces —consumiendo aproximadamente 16 MB de memoria— y aun así se corre el riesgo de perderse momentos clave de la acción. Las imágenes compresivas instantáneas, sin embargo, capturan todo el proceso en una sola exposición, con ocho fotogramas que ocupan menos de 0,7 MB de almacenamiento. Si bien resultan altamente eficientes en cuanto al uso del espacio, la superposición de múltiples fotogramas suele dar lugar a desenfoques y artefactos de «efecto fantasma»; cuanto más rápido y errático sea el movimiento del gato, peor será la distorsión resultante. El nuevo algoritmo aborda este problema corrigiendo simultáneamente los errores y eliminando el ruido de la imagen; sin necesidad de complejos procedimientos de alineación, logra transformar con éxito el metraje, originalmente borroso, en imágenes nítidas y claras.
Esta nueva tecnología dota eficazmente a la cámara de un «cerebro de superdescompresión». Mediante un proceso de separación distribucional —ejecutado con la precisión y la delicadeza que se aplicarían a la restauración de una obra maestra de la pintura—, transforma lo que originalmente era una mancha caótica en una imagen del gato nítidamente definida. Además, al permitir que el algoritmo perciba directamente la lógica subyacente del movimiento del gato, se logra una restauración impecable de los detalles finos, dando como resultado un metraje que luce fluido, coherente y sin fisuras. Las evaluaciones sistemáticas, realizadas tanto en conjuntos de datos simulados como en conjuntos de referencia del mundo real en escala de grises, demuestran que este método supera a los algoritmos de última generación actuales en múltiples métricas clave —incluyendo la precisión de la reconstrucción, la robustez ante el movimiento y la eficiencia computacional—, exhibiendo un rendimiento general sobresaliente.
Estos hallazgos de investigación resultan prometedores para su aplicación en diversos campos, tales como la vigilancia inteligente del tráfico, la percepción en la conducción autónoma, la monitorización de la seguridad pública, las imágenes médicas dinámicas y la inspección industrial de alta velocidad. Al posibilitar una adquisición y un análisis de la información más claros y eficientes en condiciones de baja luminosidad o de movimiento a alta velocidad, este trabajo ofrece un sólido respaldo para mejorar la seguridad operativa urbana, potenciar las capacidades de diagnóstico médico y hacer avanzar las capacidades de fabricación inteligente.
