Aprendizaje autosupervisado para eliminar ruido: explicación paso a paso

Las cámaras no siempre captan el mundo tal como lo vemos. Un retrato tomado con poca luz o una foto de un coche que se mueve rápidamente puede verse granulada, borrosa o distorsionada.

Los sensores lentos, los entornos oscuros y el movimiento pueden introducir diminutas motas de ruido que suavizan los bordes y ocultan detalles importantes. Cuando se pierde esta claridad, incluso los sistemas avanzados de IA y aprendizaje automático pueden tener dificultades para entender qué contiene una imagen, porque muchos sistemas inteligentes dependen de esos detalles sutiles para funcionar bien.

Por ejemplo, la visión artificial es una rama de la inteligencia artificial que permite a las máquinas interpretar imágenes y vídeo. Sin embargo, para hacerlo con precisión, los modelos de IA de visión necesitan datos visuales limpios y de alta calidad con los que aprender.

En concreto, modelos como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 admiten tareas como la detección de objetos, la segmentación de instancias y la estimación de poses, y pueden entrenarse de forma personalizada para distintos casos de uso. Estas tareas dependen de señales visuales nítidas, como bordes, texturas, colores y detalles estructurales sutiles.

Cuando el ruido oculta estas características, el modelo recibe señales de entrenamiento más débiles, lo que dificulta el aprendizaje de patrones precisos. Como resultado, incluso pequeñas cantidades de ruido pueden reducir el rendimiento en aplicaciones reales.

Anteriormente, vimos cómo el aprendizaje autosupervisado elimina el ruido de las imágenes. En este artículo, profundizaremos en el funcionamiento de las técnicas autosupervisadas de eliminación de ruido y en cómo ayudan a recuperar información visual significativa. ¡Empecemos!

Tipos habituales de ruido en imágenes del mundo real#

Antes de explorar cómo se utiliza el aprendizaje autosupervisado para eliminar el ruido de las imágenes, repasemos primero por qué las imágenes se vuelven ruidosas.

Las imágenes de objetos y escenas del mundo real rara vez son perfectas. La poca iluminación, la calidad limitada del sensor y el movimiento rápido pueden introducir alteraciones aleatorias en píxeles individuales de toda la imagen. Estas alteraciones a nivel de píxel, conocidas como ruido, reducen la nitidez general y dificultan la visualización de los detalles importantes.

Cuando el ruido oculta bordes, texturas y patrones sutiles, los sistemas de visión artificial tienen dificultades para reconocer objetos o interpretar escenas con precisión. Distintas condiciones producen distintos tipos de ruido, y cada uno afecta a la imagen de una manera diferente.

Fig. 1. Ejemplo de cómo el ruido puede provocar una mayor incertidumbre en una imagen. (Fuente)

Estos son algunos de los tipos de ruido más habituales en las imágenes:

• Ruido gaussiano: Este tipo de ruido aparece como un grano suave y aleatorio causado por interferencias electrónicas del sensor o fluctuaciones térmicas. Sigue una distribución gaussiana (normal), en la que pequeñas variaciones de los píxeles difuminan los detalles sutiles y reducen la nitidez general.
• Ruido de Poisson: También llamado ruido de disparo, este tipo de ruido se produce en condiciones de poca luz o con tiempos de exposición cortos. Su varianza aumenta con el brillo, pero el ruido suele ser más perceptible en las zonas oscuras porque se capturan menos fotones, lo que da lugar a una relación señal/ruido menor.
• Ruido de sal y pimienta: Este tipo de ruido aparece como picos de píxeles negros o blancos muy definidos. Normalmente se debe a errores de transmisión, corrupción de bits o sensores de cámara defectuosos, y suele provocar valores de píxel ausentes o corruptos.
• Ruido moteado: Este tipo de ruido aparece como patrones granulosos y con forma de manchas, y es habitual en imágenes médicas, de radar y de ecografía. Está causado por interferencias y dispersión de la señal, que reducen el contraste y dificultan la detección de bordes.

¿Cuándo debes utilizar la eliminación de ruido autosupervisada?#

Entonces, ¿qué hace especial a la eliminación de ruido autosupervisada? Resulta especialmente útil en situaciones en las que las imágenes limpias de referencia simplemente no existen o son demasiado difíciles de capturar.

Esto ocurre a menudo en la fotografía con poca luz, las imágenes con ISO alto, la imagen médica y científica o cualquier entorno en el que el ruido sea inevitable y resulte poco realista recopilar datos de referencia perfectos. En lugar de necesitar ejemplos limpios, el modelo aprende directamente de las imágenes ruidosas que ya tienes, lo que le permite adaptarse a los patrones de ruido específicos de tu cámara o sensor.

La eliminación de ruido autosupervisada también es una gran opción cuando quieres mejorar el rendimiento de tareas posteriores de visión artificial, pero tu conjunto de datos está lleno de imágenes incoherentes o ruidosas. Al recuperar bordes, texturas y estructuras más nítidos, estos métodos ayudan a modelos como YOLO a detectar, segmentar y comprender escenas de forma más fiable. En resumen, si trabajas con datos ruidosos y no dispones de imágenes de entrenamiento limpias, la eliminación de ruido autosupervisada suele ofrecer la solución más práctica y eficaz.

Las técnicas principales que impulsan la eliminación de ruido autosupervisada#

Como hemos visto anteriormente, la eliminación de ruido autosupervisada es un enfoque de IA basado en el aprendizaje profundo que permite a los modelos aprender directamente de imágenes ruidosas sin depender de etiquetas limpias. Se basa en los principios del aprendizaje autosupervisado, en el que los modelos generan sus propias señales de entrenamiento a partir de los propios datos.

En otras palabras, un modelo puede enseñarse a sí mismo utilizando imágenes ruidosas tanto como entrada como fuente de su señal de aprendizaje. Al comparar distintas versiones corruptas de la misma imagen o predecir píxeles enmascarados, el modelo aprende qué patrones representan una estructura real y cuáles son simplemente ruido. Mediante la optimización iterativa y el reconocimiento de patrones, la red mejora gradualmente su capacidad para distinguir el contenido significativo de una imagen de las variaciones aleatorias.

Fig. 2. Una imagen sin procesar y una imagen sin ruido. (Fuente)

Esto es posible gracias a estrategias de aprendizaje específicas que guían al modelo para separar la estructura estable de la imagen del ruido aleatorio. A continuación, examinaremos más de cerca las técnicas y los algoritmos principales que agilizan este proceso, así como la forma en que cada enfoque ayuda a los modelos a reconstruir imágenes más limpias y fiables.

Métodos de eliminación de ruido de imágenes por pares#

Muchos de los primeros métodos de aprendizaje autosupervisado para eliminar el ruido funcionaban comparando dos versiones ruidosas de la misma imagen. Como el ruido cambia aleatoriamente cada vez que se captura o corrompe una imagen, mientras que la estructura real permanece igual, estas diferencias pueden utilizarse como señal de aprendizaje para un modelo.

Estos enfoques suelen denominarse métodos de eliminación de ruido de imágenes por pares porque se basan en utilizar o generar pares de imágenes ruidosas durante el entrenamiento. Por ejemplo, el enfoque Noise2Noise (propuesto por Jaakko Lehtinen y su equipo) entrena un modelo utilizando dos imágenes con ruido independiente de la misma escena. Dado que los patrones de ruido difieren entre ambas versiones, el modelo aprende a identificar los detalles coherentes que representan la imagen subyacente real.

Fig. 3. Cómo funciona Noise2Noise (Fuente)

Con el tiempo, esto enseña a la red a suprimir el ruido aleatorio y conservar la estructura real, aunque nunca vea una imagen de referencia limpia. Piensa en una situación sencilla: haces dos fotos nocturnas de una calle con poca luz.

Cada imagen contiene los mismos edificios, luces y sombras, pero el ruido granulado aparece en lugares diferentes. Al comparar estas dos fotos ruidosas durante el entrenamiento, un modelo autosupervisado puede aprender qué patrones visuales son estables y cuáles están causados por el ruido, mejorando en última instancia su capacidad para reconstruir imágenes más limpias.

Métodos de aprendizaje autosupervisado basados en puntos ciegos para eliminar el ruido#

Mientras que los métodos por pares se basan en comparar dos versiones de la misma imagen con corrupciones diferentes, los métodos de puntos ciegos adoptan un enfoque distinto. Permiten que un modelo aprenda a partir de una sola imagen ruidosa ocultando determinados píxeles para que la red no pueda ver sus valores corruptos.

A continuación, el modelo debe predecir los píxeles ocultos utilizando únicamente el contexto circundante. La idea principal es que el ruido es aleatorio, pero la estructura subyacente de una imagen no lo es.

Al impedir que el modelo copie el valor ruidoso de un píxel, los métodos de puntos ciegos le animan a inferir cuál debería ser ese píxel basándose en patrones de imagen estables, como los bordes cercanos, las texturas o los gradientes de color. Técnicas como Noise2Void (presentada por Alexander Krull y su equipo) y Noise2Self (desarrollada por Joshua Batson y Loïc Royer) aplican este principio enmascarando píxeles individuales o pequeñas zonas y entrenando al modelo para reconstruirlos.

Enfoques más avanzados, como Noise2Same y PN2V, mejoran la robustez imponiendo predicciones coherentes en varias versiones enmascaradas o modelando explícitamente la distribución del ruido para estimar la incertidumbre. Como estos métodos solo requieren una imagen ruidosa, resultan especialmente útiles en ámbitos en los que capturar imágenes limpias o emparejadas es poco práctico o imposible, como la microscopia, la astronomía, la imagen biomédica o la fotografía con poca luz.

Métodos de eliminación de ruido compatibles con Transformer#

La mayoría de los métodos de eliminación de ruido autosupervisada por pares y basados en puntos ciegos dependen de redes neuronales convolucionales (CNNs) o redes de eliminación de ruido. Las CNNs son una gran opción para estos enfoques porque se centran en patrones locales, concretamente bordes, texturas y pequeños detalles.

Las arquitecturas como U-Net se utilizan ampliamente porque combinan características detalladas con información multiescala. Sin embargo, las CNNs operan principalmente en vecindarios limitados, lo que significa que pueden pasar por alto relaciones importantes que abarcan regiones más extensas de una imagen.

Los métodos de eliminación de ruido de última generación compatibles con Transformer se introdujeron para abordar esta limitación. En lugar de observar únicamente los píxeles cercanos, el método propuesto utiliza mecanismos de atención para comprender cómo se relacionan entre sí las distintas partes de una imagen.

Algunos modelos utilizan atención global completa, mientras que otros emplean atención basada en ventanas o jerárquica para reducir el coste computacional, pero, en general, están diseñados para captar estructuras de largo alcance que las CNNs por sí solas no pueden. Esta perspectiva más amplia ayuda al modelo a restaurar texturas repetitivas, superficies lisas u objetos grandes que requieren información de toda la imagen.

Otros métodos de eliminación de ruido de imágenes#

Además de las técnicas autosupervisadas, también existen otras formas de limpiar las imágenes ruidosas. Los métodos tradicionales, como el filtrado bilateral, la eliminación de ruido mediante wavelets y las medias no locales, utilizan reglas matemáticas sencillas para suavizar el ruido intentando conservar los detalles importantes.

Por otro lado, también existen enfoques de aprendizaje profundo, incluidos modelos supervisados que aprenden de pares de imágenes limpias y ruidosas y redes generativas antagónicas (GANs) que generan resultados más nítidos y realistas. Sin embargo, estos métodos suelen requerir una mayor calidad de imagen para el entrenamiento.

Análisis paso a paso del funcionamiento de la eliminación de ruido autosupervisada de imágenes#

Como acabamos de repasar varias técnicas diferentes, quizá te preguntes si cada una funciona de una manera completamente distinta, dado que utilizan sus propias arquitecturas. Sin embargo, todas siguen una canalización similar que comienza con la preparación de los datos y termina con la evaluación del modelo.

A continuación, examinaremos más de cerca cómo funciona paso a paso el proceso general de eliminación de ruido autosupervisada de imágenes.

Paso 1: Preprocesamiento y normalización#

Antes de que el modelo pueda empezar a aprender de las imágenes ruidosas, el primer paso es asegurarse de que todas las imágenes tengan un aspecto coherente. Las fotos reales pueden variar mucho.

Algunas imágenes pueden ser demasiado claras, otras demasiado oscuras y algunas pueden tener colores ligeramente desajustados. Si introducimos estas variaciones directamente en un modelo, le resulta más difícil centrarse en aprender qué aspecto tiene el ruido.

Para solucionarlo, cada imagen pasa por la normalización y un preprocesamiento básico. Esto puede incluir escalar los valores de los píxeles a un intervalo estándar, corregir las variaciones de intensidad o recortar y cambiar el tamaño. La clave es que el modelo reciba datos limpios que puedan utilizarse como entradas estables y comparables.

Paso 2: Creación de una señal de entrenamiento autosupervisada#

Una vez normalizadas las imágenes, el siguiente paso es crear una señal de entrenamiento que permita al modelo aprender sin ver nunca una imagen limpia. Los métodos de eliminación de ruido autosupervisada lo consiguen asegurándose de que el modelo no pueda limitarse a copiar los valores de píxel ruidosos que recibe.

En su lugar, crean situaciones en las que el modelo debe basarse en el contexto circundante de la imagen, que contiene una estructura estable, y no en el ruido impredecible. Los distintos métodos lo consiguen de formas ligeramente diferentes, pero la idea principal es la misma.

Algunos enfoques ocultan o enmascaran temporalmente determinados píxeles para que el modelo tenga que inferirlos a partir de sus vecinos, mientras que otros generan una versión corrompida por separado de la misma imagen ruidosa, de modo que la entrada y el objetivo contengan ruido independiente. En ambos casos, la imagen objetivo contiene información estructural significativa, pero impide que la red acceda al valor ruidoso original del píxel que debe predecir.

Como el ruido cambia aleatoriamente mientras la imagen subyacente permanece constante, esta configuración anima de forma natural al modelo a aprender cómo es la estructura real e ignorar el ruido que varía de una versión a otra.

Paso 3: Aprendizaje de la eliminación de ruido para recuperar la estructura de la imagen#

Con la señal de entrenamiento configurada, el modelo puede empezar a aprender a separar la estructura significativa de la imagen del ruido mediante el entrenamiento del modelo. Cada vez que predice un píxel enmascarado o vuelto a corromper, debe basarse en el contexto circundante en lugar del valor ruidoso que ocupaba originalmente ese lugar.

A lo largo de muchas iteraciones o épocas, esto enseña a la red a reconocer los tipos de patrones que permanecen estables en una imagen, como bordes, texturas y superficies lisas. También aprende a ignorar las fluctuaciones aleatorias que caracterizan al ruido.

Por ejemplo, piensa en una foto con poca luz en la que una superficie aparece extremadamente granulada. Aunque el ruido varía de un píxel a otro, la superficie subyacente sigue siendo lisa. Al inferir repetidamente los píxeles ocultos de esas regiones, el modelo mejora gradualmente su capacidad para identificar el patrón estable bajo el ruido y reconstruirlo con mayor nitidez.

Mediante el proceso de entrenamiento del modelo, la red aprende una representación interna de la estructura de la imagen. Esto permite al modelo recuperar detalles coherentes incluso cuando la entrada está muy corrompida.

Paso 4: Validación y resultados de la reducción de ruido#

Una vez que el modelo ha aprendido a predecir píxeles ocultos o vueltos a corromper, el último paso es evaluar su rendimiento en imágenes completas. Durante las pruebas, el modelo recibe una imagen ruidosa completa y produce una versión sin ruido basándose en lo que ha aprendido sobre la estructura de la imagen. Para medir la eficacia de este proceso, la salida se compara con imágenes de referencia limpias o conjuntos de datos de referencia estándar.

Dos métricas utilizadas habitualmente son PSNR (relación señal/ruido máxima), que mide lo cerca que está la reconstrucción de la verdad fundamental limpia, y SSIM (índice de similitud estructural), que evalúa en qué medida se conservan características importantes como bordes y texturas. Las puntuaciones más altas suelen indicar una eliminación de ruido más precisa y visualmente fiable.

Conjuntos de datos de imágenes utilizados para el entrenamiento y la evaluación comparativa#

La investigación sobre eliminación de ruido autosupervisada, publicada, entre otros, en revistas de IEEE y conferencias de CVF como CVPR, ICCV y ECCV, además de ampliamente distribuida en arXiv, suele basarse en una combinación de conjuntos de datos sintéticos y del mundo real para evaluar el rendimiento de los modelos de aprendizaje profundo en condiciones controladas y prácticas. Por un lado, los conjuntos de datos sintéticos parten de imágenes limpias y añaden ruido artificial, lo que facilita la comparación de métodos mediante métricas como PSNR y SSIM.

Estos son algunos conjuntos de datos populares que se utilizan habitualmente con ruido sintético añadido para la evaluación comparativa:

• Kodak24: Este conjunto de datos proporciona fotografías de escenas naturales de alta calidad que se utilizan habitualmente para comparar visualmente los resultados de la eliminación de ruido.
• DIV2K: Este conjunto de datos de alta resolución contiene imágenes diversas y detalladas que se utilizan para evaluar la fidelidad de las texturas y la calidad general de la restauración.

Por otro lado, los conjuntos de datos ruidosos del mundo real contienen imágenes capturadas directamente por sensores de cámara con poca luz, ISO alto u otras condiciones exigentes. Estos conjuntos de datos ponen a prueba si un modelo puede gestionar ruido complejo y no gaussiano que no se puede simular fácilmente.

Estos son algunos conjuntos de datos ruidosos populares del mundo real:

• SIDD: Este conjunto de datos proporciona pares reales de imágenes ruidosas y limpias capturadas con sensores de smartphones en distintos entornos de iluminación.
• DND: Incluye fotografías con ISO alto que capturan patrones realistas de ruido de sensor presentes en cámaras de consumo.

Fig. 4. Un ejemplo del conjunto de datos DND. (Fuente)

Factores que debes tener en cuenta al entrenar un modelo de eliminación de ruido autosupervisada#

Estos son algunos factores y limitaciones que debes tener en cuenta si vas a entrenar un modelo de eliminación de ruido autosupervisada basado en aprendizaje profundo:

• Haz coincidir la distribución del ruido: Las imágenes ruidosas utilizadas para el entrenamiento deben reflejar el mismo ruido que el modelo encontrará en el uso real; un ruido no coincidente provoca una mala generalización.
• Asegúrate de que los datos de entrenamiento sean diversos: Una variación limitada puede provocar sobreajuste o un suavizado excesivo en texturas complejas.
• Ten en cuenta las limitaciones del tipo de ruido: Los métodos autosupervisados tienen más dificultades con el ruido estructurado, correlacionado o no aleatorio.
• Prueba en distintos dispositivos o sensores: El rendimiento de la eliminación de ruido puede variar mucho entre cámaras o sistemas de imagen.

Conclusiones clave#

La eliminación de ruido autosupervisada ofrece a los entusiastas de la IA una forma práctica de limpiar imágenes utilizando únicamente los datos ruidosos de los que ya disponemos. Al aprender a reconocer la estructura real bajo el ruido, estos métodos pueden recuperar detalles visuales importantes. A medida que la tecnología de eliminación de ruido siga mejorando, probablemente hará que una amplia variedad de tareas de visión artificial sean más fiables en situaciones cotidianas.

¡Forma parte de nuestra creciente comunidad! Explora nuestro repositorio de GitHub para obtener más información sobre la IA. Si quieres crear soluciones de visión artificial, consulta nuestras opciones de licencia. Descubre las ventajas de la visión artificial en el comercio minorista y comprueba cómo la IA en la fabricación está marcando la diferencia.