Aprendizaje Simultáneo de Destilación de Conocimiento para Restauración de Imágenes: Compresión Eficiente de Modelos para Drones
Autores: Zhang, Yongheng
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Aprendizaje Simultáneo de Destilación de Conocimiento para Restauración de Imágenes: Compresión Eficiente de Modelos para Drones
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Despliegue
Modelos de restauración de imágenes
Drones
Marco SLKD
Compresión
Sistemas autónomos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Desplegar modelos de restauración de imágenes de alto rendimiento en drones es crítico para aplicaciones como la navegación autónoma, la vigilancia y el monitoreo ambiental. Sin embargo, las limitaciones computacionales y de memoria de los drones plantean desafíos significativos para utilizar modelos complejos de restauración de imágenes en escenarios del mundo real. Para abordar este problema, proponemos el marco de Destilación de Conocimiento de Aprendizaje Simultáneo (SLKD), diseñado específicamente para comprimir modelos de restauración de imágenes para drones con recursos limitados. SLKD introduce una arquitectura de doble maestro y un solo estudiante que integra dos estrategias de aprendizaje complementarias: Aprendizaje de Eliminación de Degradación (DRL) y Aprendizaje de Reconstrucción de Imágenes (IRL). En DRL, el codificador del estudiante aprende a eliminar factores de degradación imitando al Maestro A, que procesa imágenes degradadas utilizando un extractor basado en BRISQUE para capturar estadísticas de escenas naturales sensibles a la degradación. Concurrentemente, en IRL, el decodificador del estudiante reconstruye imágenes limpias aprendiendo del Maestro B, que procesa imágenes limpias, guiado por un extractor basado en PIQE que enfatiza la preservación de características de borde y textura esenciales para una reconstrucción de alta calidad. Este enfoque de doble maestro permite que el modelo estudiante aprenda simultáneamente de imágenes degradadas y limpias, logrando una restauración de imágenes robusta mientras reduce significativamente la complejidad computacional. Las evaluaciones experimentales en cinco conjuntos de datos de referencia y tres tareas de restauración-eliminación de lluvia, desenfoque y eliminación de neblina-demuestran que, en comparación con los modelos maestros, los modelos estudiantes de SLKD logran una reducción promedio del 85.4% en FLOPs y del 85.8% en parámetros del modelo, con solo una ligera disminución promedio del 2.6% en PSNR y del 0.9% en SSIM. Estos resultados destacan la viabilidad de integrar modelos comprimidos por SLKD en sistemas autónomos, ofreciendo restauración de imágenes eficiente y en tiempo real para plataformas aéreas que operan en entornos desafiantes.
Descripción
Desplegar modelos de restauración de imágenes de alto rendimiento en drones es crítico para aplicaciones como la navegación autónoma, la vigilancia y el monitoreo ambiental. Sin embargo, las limitaciones computacionales y de memoria de los drones plantean desafíos significativos para utilizar modelos complejos de restauración de imágenes en escenarios del mundo real. Para abordar este problema, proponemos el marco de Destilación de Conocimiento de Aprendizaje Simultáneo (SLKD), diseñado específicamente para comprimir modelos de restauración de imágenes para drones con recursos limitados. SLKD introduce una arquitectura de doble maestro y un solo estudiante que integra dos estrategias de aprendizaje complementarias: Aprendizaje de Eliminación de Degradación (DRL) y Aprendizaje de Reconstrucción de Imágenes (IRL). En DRL, el codificador del estudiante aprende a eliminar factores de degradación imitando al Maestro A, que procesa imágenes degradadas utilizando un extractor basado en BRISQUE para capturar estadísticas de escenas naturales sensibles a la degradación. Concurrentemente, en IRL, el decodificador del estudiante reconstruye imágenes limpias aprendiendo del Maestro B, que procesa imágenes limpias, guiado por un extractor basado en PIQE que enfatiza la preservación de características de borde y textura esenciales para una reconstrucción de alta calidad. Este enfoque de doble maestro permite que el modelo estudiante aprenda simultáneamente de imágenes degradadas y limpias, logrando una restauración de imágenes robusta mientras reduce significativamente la complejidad computacional. Las evaluaciones experimentales en cinco conjuntos de datos de referencia y tres tareas de restauración-eliminación de lluvia, desenfoque y eliminación de neblina-demuestran que, en comparación con los modelos maestros, los modelos estudiantes de SLKD logran una reducción promedio del 85.4% en FLOPs y del 85.8% en parámetros del modelo, con solo una ligera disminución promedio del 2.6% en PSNR y del 0.9% en SSIM. Estos resultados destacan la viabilidad de integrar modelos comprimidos por SLKD en sistemas autónomos, ofreciendo restauración de imágenes eficiente y en tiempo real para plataformas aéreas que operan en entornos desafiantes.