- Emmanuel Morales, del Doctorado en Ciencias de la Computación, presentó su investigación en el Seminario de Difusión de Investigación en Ciencias de la Computación
- Detectó que la técnica recupera parcialmente el desempeño perdido por la degradación, sin igualar los resultados de la imagen original
Paola Cortés Pérez
Fotos: Omar Portilla Palacios
28/09/2026, Xalapa, Ver.- En el marco del Séptimo Seminario de Difusión de Investigación en Ciencias de la Computación, Emmanuel Morales García, alumno del Doctorado en Ciencias de la Computación de la Universidad Veracruzana (UV), presentó los avances de su investigación enfocada en evaluar si las técnicas de superresolución realmente potencian el desempeño de los modelos de clasificación de imágenes o si su efecto se limita únicamente a una mejora visual.
El universitario impartió la ponencia “Superresolución como estrategia de recuperación de desempeño en clasificación de imágenes degradadas mediante redes neuronales convolucionales”, donde explicó que la superresolución de imágenes consiste en hacer estas de mejor calidad o definición, con el fin de cumplir objetivos específicos en distintas tareas.
Detalló que esta técnica tiene dos vertientes principales: la superresolución de una sola imagen —que la restaura a partir de todas sus características— y la superresolución multiimagen, que utiliza varios fotogramas para potenciar la información disponible. Su trabajo actual se centra en la primera vertiente.
Como pregunta central de su proyecto, planteó si la superresolución realmente recupera información discriminativa útil para tareas posteriores, o si solamente cumple con los términos de visibilidad visual y estructural que marcan las métricas clásicas.
A partir de esto, propuso un proceso metodológico que parte de una imagen de alta calidad, la degrada de forma controlada, evalúa el desempeño del clasificador sobre dicha imagen degradada y posteriormente aplica algoritmos de superresolución para volver a medir la clasificación y comparar los resultados.
Destacó que, de acuerdo con la literatura revisada, distintos estudios reportan que las métricas de fidelidad más utilizadas —PSNR, que mide decibeles, y SSIM, que mide la similitud estructural entre la imagen original y la reconstruida— suelen arrojar buenos resultados numéricos, aunque esa recuperación no siempre es perceptible visualmente; de ahí la necesidad de un protocolo controlado que integre la degradación de la imagen, la aplicación de algoritmos de superresolución y la evaluación de su impacto en una tarea real y medible como la clasificación.
Para su experimento usó un conjunto de datos de imágenes de fondo de ojo, con un total de cinco mil 335 originales distribuidas en 10 clases correspondientes a distintas afecciones oculares, como retinopatía diabética, glaucoma, retinitis pigmentosa y miopía, entre otras. El conjunto se dividió en tres mil 734 para entrenamiento, 800 para validación y 805 para pruebas.
En cuanto a la metodología, se emplearon las arquitecturas ResNet-18 y MobileNet-B2, además de otras dos redes más ligeras y de menor costo computacional, entrenadas con el optimizador Adam. La degradación de las imágenes se realizó mediante un método bicúbico con factor 4, y posteriormente se aplicó un modelo de superresolución basado en redes neuronales profundas con el mismo factor de escala, con el objetivo de compensar la pérdida generada por la degradación.
Entre los resultados presentados, Morales García indicó que la degradación provoca caídas de desempeño de hasta 0.31 en exactitud en las cuatro arquitecturas evaluadas, siendo más notoria en las redes de menor capacidad.
Precisó que la superresolución sí logra recuperar parte del desempeño perdido por la degradación, aunque de forma parcial, sin llegar nunca a igualar los resultados obtenidos con la imagen original. Asimismo, señaló que este beneficio es mayor en las redes más ligeras que en las arquitecturas más robustas.
El alumno también expuso que métricas alternativas —la descomposición en valores singulares, los componentes principales comunes y la descomposición tensorial— permiten identificar con mayor precisión en qué aspectos específicos pierde fuerza una imagen (textura, bordes, nitidez o contraste), incluso cuando métricas clásicas como PSNR y SSIM arrojan valores altos que sugieren una reconstrucción casi idéntica a la original.
Como parte de su trabajo a futuro, Morales García adelantó que ampliará su investigación a conjuntos de datos médicos adicionales, entre ellos imágenes de cáncer gastrointestinal y de cáncer cerebral, así como a imágenes de percepción remota obtenidas mediante sensores satelitales, con el fin de comparar el comportamiento de la superresolución en distintos contextos y niveles de complejidad.