Uso del aprendizaje autosupervisado para eliminar el ruido de las imágenes

Las imágenes forman parte de nuestra vida cotidiana, desde las fotos que hacemos hasta los vídeos que graban las cámaras en espacios públicos. Contienen información valiosa, y la tecnología más avanzada permite analizar e interpretar esos datos.

En particular, la visión artificial, una rama de la inteligencia artificial (AI), permite que las máquinas procesen información visual y entiendan lo que ven, de forma parecida a las personas. Sin embargo, en las aplicaciones del mundo real, las imágenes distan a menudo de ser perfectas.

El ruido de imagen causado por la lluvia, el polvo, la poca luz o las limitaciones de los sensores puede ocultar detalles importantes y dificultar que los modelos de IA visual detecten objetos o interpreten escenas con precisión. La eliminación de ruido de imagen ayuda a reducirlo, lo que permite que los modelos de IA visual vean los detalles con más claridad y hagan mejores predicciones.

Fig. 1. Ejemplo de eliminación de ruido de una imagen. (Fuente)

Tradicionalmente, la eliminación de ruido de imagen se ha basado en el aprendizaje supervisado, en el que los modelos se entrenan con pares de imágenes ruidosas y limpias para aprender a eliminar el ruido. Sin embargo, no siempre resulta práctico recopilar imágenes de referencia perfectamente limpias.

Para afrontar este reto, los investigadores han desarrollado métodos de eliminación de ruido de imagen autosupervisados. Su objetivo es entrenar modelos de IA para que aprendan directamente de los datos y creen sus propias señales de aprendizaje con las que eliminar el ruido y conservar los detalles importantes sin necesitar imágenes de referencia limpias.

En este artículo analizaremos más detenidamente los métodos autosupervisados de eliminación de ruido de imagen, cómo funcionan, las técnicas clave que utilizan y sus aplicaciones en el mundo real. ¡Vamos allá!

¿Qué es la eliminación autosupervisada del ruido de imagen?#

Las imágenes ruidosas pueden dificultar que los modelos de IA visual interpreten lo que aparece en una imagen. Por ejemplo, una foto tomada con poca luz puede verse granulada o borrosa y ocultar características sutiles que ayudan al modelo a identificar objetos con precisión.

En la eliminación de ruido basada en el aprendizaje supervisado, los modelos se entrenan con pares de imágenes, una ruidosa y otra limpia, para aprender a eliminar el ruido no deseado. Aunque este enfoque funciona bien, recopilar datos de referencia perfectamente limpios suele llevar mucho tiempo y resultar difícil en situaciones reales.

Por eso, los investigadores han recurrido a la eliminación autosupervisada del ruido de imagen. Esta técnica se basa en el concepto de aprendizaje autosupervisado, en el que los modelos aprenden por sí solos al crear sus propias señales de aprendizaje a partir de los datos.

Como este método no depende de grandes conjuntos de datos etiquetados, la eliminación autosupervisada del ruido es más rápida, escalable y fácil de aplicar en ámbitos como la fotografía con poca luz, el diagnóstico por imagen y el análisis de imágenes por satélite, donde a menudo no se dispone de imágenes de referencia limpias.

En lugar de depender de imágenes de referencia limpias, este enfoque entrena directamente con datos ruidosos mediante la predicción de píxeles enmascarados o la reconstrucción de partes que faltan. A través de este proceso, el modelo aprende a distinguir los detalles relevantes de la imagen del ruido aleatorio, lo que produce resultados más claros y precisos.

Aunque pueda parecer similar al aprendizaje no supervisado, el aprendizaje autosupervisado es en realidad un caso especial de este. La diferencia clave es que, en el aprendizaje autosupervisado, el modelo crea sus propias etiquetas o señales de entrenamiento a partir de los datos para aprender una tarea concreta. En cambio, el aprendizaje no supervisado se centra en encontrar patrones o estructuras ocultos en los datos, sin una tarea explícita ni un objetivo predefinido.

Estrategias de aprendizaje para la eliminación autosupervisada del ruido#

En la eliminación autosupervisada del ruido hay varias formas de aprender. Algunos modelos de eliminación autosupervisada del ruido completan los píxeles enmascarados o ausentes, mientras que otros comparan varias versiones ruidosas de la misma imagen para encontrar detalles coherentes.

Por ejemplo, un método popular conocido como aprendizaje de punto ciego se centra en entrenar el modelo de eliminación de ruido para que ignore el píxel que está reconstruyendo y se base, en cambio, en el contexto que lo rodea. Con el tiempo, el modelo reconstruye imágenes de alta calidad y conserva las texturas, los bordes y los colores esenciales.

Cómo funciona el aprendizaje autosupervisado para eliminar el ruido#

A continuación, veremos el proceso por el que el aprendizaje autosupervisado elimina el ruido.

El proceso de eliminación autosupervisada del ruido suele comenzar introduciendo imágenes ruidosas en el modelo. El modelo analiza los píxeles cercanos para estimar el aspecto que debería tener cada píxel poco claro o enmascarado, y aprende gradualmente a distinguir el ruido de los detalles visuales reales.

Imagina una imagen de un cielo oscuro y granuloso. El modelo analiza las estrellas cercanas y los patrones del entorno para predecir el aspecto que tendría cada zona ruidosa sin el ruido. Al repetir este proceso en toda la imagen, aprende a separar el ruido aleatorio de las características relevantes y genera un resultado más claro y preciso.

En otras palabras, el modelo predice una versión más limpia de la imagen basándose en el contexto, sin necesitar nunca una referencia perfectamente limpia. Este proceso se puede implementar con distintos tipos de modelos, cada uno con sus propias ventajas para tratar el ruido.

Tipos de modelos utilizados para reducir de forma autosupervisada el ruido de imagen#

Estos son los tipos de modelos que se suelen utilizar para la eliminación autosupervisada del ruido de imagen:

• Redes neuronales convolucionales (CNNs): las CNNs son modelos de aprendizaje profundo diseñados para reconocer patrones en pequeñas regiones de una imagen. Analizan las imágenes mediante filtros que detectan bordes, formas y texturas. En la eliminación autosupervisada del ruido, suelen utilizar técnicas de punto ciego, que excluyen el píxel objetivo de la entrada para que el modelo prediga su valor basándose únicamente en los píxeles circundantes. Esto ayuda al modelo a evitar copiar el ruido y, en su lugar, inferir detalles más limpios.
• Autocodificadores: los autocodificadores son redes neuronales que aprenden a comprimir y reconstruir datos. Primero reducen una imagen a una representación más pequeña (codificación) y después la reconstruyen (decodificación). Durante este proceso, aprenden a captar características visuales importantes, como las formas y las texturas, y a filtrar el ruido aleatorio y los detalles irrelevantes.
• Modelos basados en Transformer: los Transformer son modelos desarrollados originalmente para el procesamiento del lenguaje natural, pero que ahora se utilizan ampliamente en tareas de visión. Procesan la imagen completa de una sola vez y aprenden cómo se relacionan entre sí sus distintas regiones. Esta perspectiva global les permite conservar los detalles más sutiles y la coherencia estructural, incluso en imágenes complejas o de alta resolución.

Fig. 2. Ejemplo de una arquitectura basada en CNN utilizada para la eliminación de ruido de imágenes autosupervisada. (Fuente)

Entrenar estos modelos con imágenes tomadas con distintas condiciones de iluminación y ajustes ISO les ayuda a funcionar bien en muchas situaciones del mundo real. En las cámaras digitales, los ajustes ISO controlan cuánto ilumina la cámara la imagen al amplificar la señal que recibe.

Un ISO más alto hace que las fotos sean más luminosas en lugares oscuros, pero también aumenta el ruido y reduce el nivel de detalle. Al aprender de imágenes tomadas con distintos niveles de ISO, los modelos mejoran su capacidad para distinguir los detalles reales del ruido, lo que da lugar a resultados más nítidos y precisos.

¿Cómo aprende un sistema de eliminación de ruido a distinguir el ruido de los elementos reales?#

Los sistemas de eliminación de ruido aprenden a distinguir el ruido de los detalles reales de una imagen mediante distintas técnicas de entrenamiento, independientes de los tipos de modelos utilizados para eliminar el ruido. Los tipos de modelos, como las CNN, los autocodificadores y los transformers, describen la estructura de la red y cómo procesa la información visual.

Por otro lado, las técnicas de entrenamiento definen cómo aprende el modelo. Algunos métodos utilizan predicción basada en el contexto, en la que el modelo completa los píxeles ausentes o enmascarados usando información de las zonas cercanas.

Otros utilizan el aprendizaje basado en la reconstrucción: el modelo comprime una imagen en una representación más sencilla y después la reconstruye, lo que le ayuda a reconocer estructuras importantes, como bordes y texturas, mientras filtra el ruido aleatorio.

En conjunto, el tipo de modelo y la técnica de entrenamiento determinan la eficacia con la que un sistema de eliminación de ruido puede limpiar las imágenes. Al combinar la arquitectura adecuada con el enfoque de aprendizaje apropiado, los sistemas autosupervisados de eliminación de ruido pueden adaptarse a muchos tipos de ruido y producir imágenes más nítidas y precisas, incluso sin datos de referencia limpios.

Técnicas clave para la eliminación de ruido de imágenes con IA autosupervisada#

Estas son algunas de las técnicas de entrenamiento más utilizadas para lograr una eliminación de ruido de imágenes autosupervisada eficaz:

• Noise2Noise: Este método entrena un modelo con dos versiones ruidosas de la misma imagen. Como el ruido de cada versión es aleatorio, el modelo aprende a centrarse en los detalles coherentes que representan la imagen real e ignorar el ruido. Funciona mejor cuando se dispone de varias capturas ruidosas de la misma escena, como en la fotografía en ráfaga o en la obtención de imágenes médicas y científicas.
• Noise2Void o Noise2Self: Estas técnicas se entrenan con una sola imagen ruidosa: ocultan (enmascaran) un píxel y piden al modelo que prediga su valor basándose en los píxeles circundantes. Así se evita que el modelo se limite a copiar datos ruidosos y se le ayuda a aprender la estructura natural de las imágenes. Son especialmente útiles cuando solo se dispone de una imagen ruidosa, como en microscopía, astronomía o fotografía con poca luz.
• Redes de punto ciego: Están diseñadas específicamente para que el modelo no pueda ver el píxel que está reconstruyendo. En su lugar, utiliza la información del área circundante para estimar el aspecto que debería tener ese píxel. Esto hace que la eliminación de ruido sea más precisa e imparcial; estas redes suelen combinarse con los métodos Noise2Void o Noise2Self en tareas de eliminación de ruido píxel a píxel.
• Autocodificadores enmascarados (MAE): En este enfoque, se ocultan partes de una imagen y el modelo aprende a reconstruir las zonas que faltan. De este modo, aprende tanto los detalles minuciosos como la estructura general, lo que le ayuda a distinguir el contenido real del ruido. Los autocodificadores enmascarados son especialmente eficaces con imágenes de alta resolución o complejas, en las que comprender el contexto general mejora la restauración.

Evaluación de sistemas de eliminación de ruido de imágenes#

La eliminación de ruido de imágenes requiere encontrar un equilibrio cuidadoso entre dos objetivos: reducir el ruido y conservar intactos los detalles minuciosos. Si se elimina demasiado ruido, la imagen puede parecer suavizada o borrosa; si se elimina demasiado poco, pueden quedar granulado o artefactos no deseados.

Para comprender hasta qué punto un modelo logra este equilibrio, los investigadores utilizan métricas de evaluación que miden tanto la claridad de la imagen como la conservación de los detalles. Estas métricas muestran lo bien que limpia el modelo una imagen sin perder información visual importante.

Estas son algunas métricas de evaluación habituales que ayudan a medir la calidad de imagen y el rendimiento de la eliminación de ruido:

• Error cuadrático medio (MSE): Mide la diferencia cuadrática media entre las imágenes original y procesada para eliminar el ruido. Indica hasta qué punto se aproxima la salida a la imagen original a nivel de píxel. Unos valores de MSE más bajos significan menos errores y un resultado más preciso.
• Relación señal/ruido máxima (PSNR): Esta métrica compara la intensidad de la señal de la imagen original con el ruido restante, y se expresa en decibelios. Se utiliza para comprobar cuánto detalle original se ha conservado tras eliminar el ruido. Unos valores de PSNR más altos indican imágenes más nítidas y de mayor calidad.
• Medida del índice de similitud estructural (SSIM): SSIM evalúa la estructura, el brillo y el contraste para determinar la similitud entre la imagen procesada para eliminar el ruido y la original. Se centra en cómo perciben las imágenes las personas, no solo en los valores numéricos. Unas puntuaciones de SSIM más altas indican que la imagen parece más natural y fiel a la original.
• Métricas perceptuales: Estas métricas utilizan modelos de aprendizaje profundo para evaluar hasta qué punto una imagen parece realista y natural. En vez de comparar píxeles individuales, se centran en el aspecto general, la textura y la similitud visual. En la mayoría de los casos, unas puntuaciones más bajas indican que la imagen se parece más a la original y resulta visualmente más agradable para las personas.

Aplicaciones de la eliminación de ruido autosupervisada#

Ahora que entendemos mejor qué es la eliminación de ruido, veamos cómo se aplica la eliminación de ruido de imágenes autosupervisada en situaciones reales.

Uso de la eliminación de ruido autosupervisada en astrofotografía#

No es fácil hacer fotos nítidas de estrellas y galaxias. El cielo nocturno es oscuro, por lo que las cámaras suelen necesitar tiempos de exposición prolongados, que pueden generar ruido no deseado. Este ruido puede difuminar los detalles cósmicos más pequeños y dificultar la detección de señales tenues.

Las herramientas tradicionales de eliminación de ruido pueden ayudar a reducirlo, pero a menudo también eliminan detalles importantes. La eliminación de ruido autosupervisada ofrece una alternativa más inteligente. Al aprender directamente de imágenes ruidosas, el modelo de IA puede reconocer patrones que representan características reales y distinguirlos del ruido aleatorio.

El resultado son imágenes mucho más nítidas de objetos celestes como estrellas, galaxias y el Sol, que revelan detalles tenues que de otro modo podrían pasar desapercibidos. También puede realzar características astronómicas sutiles, mejorar la nitidez de las imágenes y hacer que los datos sean más útiles para la investigación científica.

Fig. 3. La eliminación de ruido de imágenes puede mejorar las imágenes de astrofotografía. (Fuente)

Eliminación de ruido autosupervisada en imágenes médicas#

Las imágenes médicas, como las resonancias magnéticas, las tomografías computarizadas y las imágenes de microscopía, suelen contener ruido que puede dificultar la visualización de los detalles más pequeños. Esto puede ser un problema cuando los médicos necesitan detectar los primeros signos de una enfermedad o hacer un seguimiento de los cambios a lo largo del tiempo.

El ruido de las imágenes puede deberse al movimiento del paciente, a una señal débil o a los límites de la cantidad de radiación que se puede utilizar. Para obtener imágenes médicas más nítidas, los investigadores han explorado métodos de eliminación de ruido autosupervisada como Noise2Self y otros enfoques similares.

Estos modelos se entrenan directamente con imágenes ruidosas de resonancias magnéticas cerebrales, aprenden por sí solos los patrones de ruido y las limpian sin necesitar ejemplos perfectamente nítidos. Las imágenes procesadas mostraron texturas más definidas y un mejor contraste, lo que facilitó la identificación de estructuras pequeñas. Estos sistemas de eliminación de ruido basados en IA agilizan el flujo de trabajo del diagnóstico por imagen y mejoran la eficiencia del análisis en tiempo real.

Fig. 4. Uso de distintas técnicas de eliminación de ruido autosupervisada en imágenes de resonancia magnética cerebral. (Fuente)

Mejora de los sistemas de visión con eliminación de ruido autosupervisada#

En la mayoría de los casos, la eliminación de ruido tiene un impacto significativo en una amplia variedad de aplicaciones de visión artificial. Al eliminar el ruido y las distorsiones no deseados, genera datos de entrada más limpios y coherentes para que los modelos de IA de visión los procesen.

Las imágenes más nítidas mejoran el rendimiento en tareas de visión artificial, como la detección de objetos, la segmentación de instancias y el reconocimiento de imágenes. Estos son algunos ejemplos de aplicaciones en las que los modelos de IA de visión, como Ultralytics YOLO11 y Ultralytics YOLO26, pueden beneficiarse de la eliminación de ruido:

• Inspección industrial: La eliminación de ruido permite detectar con más precisión defectos o anomalías en las superficies de entornos de fabricación, lo que mejora el control de calidad.
• Conducción autónoma y navegación: Mejora la detección de objetos y obstáculos en condiciones difíciles, como con poca luz, lluvia o niebla, y aumenta la seguridad y la fiabilidad generales.
• Vigilancia y seguridad: La eliminación de ruido mejora la calidad de imagen en secuencias de vídeo con poca luz o muy comprimidas, lo que permite identificar y seguir mejor objetos o personas.
• Imágenes submarinas: La eliminación de ruido reduce la dispersión y la distorsión de la luz, y mejora la visibilidad y el reconocimiento de objetos en aguas turbias.

Ventajas e inconvenientes de la eliminación de ruido autosupervisada#

Estas son algunas de las principales ventajas de utilizar la eliminación de ruido autosupervisada en sistemas de imágenes:

• Adaptabilidad al ruido: Los métodos de eliminación de ruido autosupervisada pueden aprender directamente de datos ruidosos sin necesitar pares de referencias limpias. Esto les permite adaptarse muy bien a una amplia variedad de niveles y tipos de ruido del mundo real, como el ruido del sensor, el desenfoque por movimiento o las interferencias ambientales.
• Conservación de los detalles: Si se diseñan correctamente, estos modelos conservan las texturas finas y los bordes, esenciales para interpretar las imágenes con precisión. Los enfoques como las redes de punto ciego y el aprendizaje basado en el enmascaramiento ayudan a mantener la información estructural mientras reducen el ruido.
• Menos preprocesamiento: Al aprender a transformar entradas ruidosas en representaciones limpias utilizando solo los datos disponibles, el modelo reduce la necesidad de aplicar filtros manualmente, utilizar algoritmos de eliminación de ruido diseñados a mano o crear conjuntos de datos de entrenamiento seleccionados.

A pesar de sus ventajas, la eliminación de ruido autosupervisada también presenta ciertas limitaciones. Estos son algunos factores que debes tener en cuenta:

• Requisitos computacionales: Las arquitecturas de redes neuronales profundas utilizadas para la eliminación de ruido autosupervisada, especialmente los modelos basados en transformers, pueden requerir una gran potencia de cálculo y muchos recursos de memoria en comparación con las técnicas de filtrado tradicionales.
• Complejidad del diseño del modelo: Para obtener resultados óptimos, es necesario seleccionar cuidadosamente los ajustes del modelo, como la estrategia de enmascaramiento y la función de pérdida, que pueden variar según el tipo de ruido.
• Dificultades de evaluación: Las métricas habituales de calidad de imagen no siempre coinciden con lo natural o realista que parece una imagen procesada para eliminar el ruido, por lo que a menudo se necesitan comprobaciones visuales o específicas de cada tarea.

Conclusiones clave#

La eliminación de ruido autosupervisada ayuda a los modelos de IA a aprender directamente de imágenes ruidosas y a producir resultados más nítidos sin perder los detalles minuciosos. Funciona bien en diversas situaciones difíciles, como imágenes con poca luz, ISO alto o muchos detalles. A medida que la IA siga evolucionando, es probable que estas técnicas desempeñen un papel esencial en diversas aplicaciones de visión artificial.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para descubrir más sobre la IA. Si quieres crear tu propio proyecto de IA de visión, consulta nuestras opciones de licencia. Descubre más sobre aplicaciones como la IA en el sector sanitario y la IA de visión en el comercio minorista en nuestras páginas de soluciones.