Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Argüello Fuentes, HenrySuárez Rodríguez, León Santiago2025-08-222025-08-222025-08-132025-08-13https://noesis.uis.edu.co/handle/20.500.14071/45973Los sistemas de adquisición de imágenes computacionales (CI, por sus siglas en inglés) extienden las capacidades de los sistemas de imágenes tradicionales al codificar información de señales de alta dimensión en proyecciones codificadas de baja dimensión, que posteriormente se decodifican mediante algoritmos computacionales. El diseño del codificador físico es crucial para una reconstrucción precisa de la imagen, ya que determina cómo se muestrea y codifica la escena, afectando directamente la calidad y cantidad de la información codificada y su posterior reconstrucción. Actualmente, los sistemas CI se diseñan mediante un enfoque de optimización de extremo a extremo (E2E), donde el codificador se representa como una capa de red neuronal y se optimiza conjuntamente con el decodificador computacional. Sin embargo, el rendimiento de la optimización E2E se ve significativamente reducido por las restricciones físicas impuestas al codificador, como la binarización, la transmisión de luz y la relación de compresión. Además, dado que E2E aprende los parámetros del codificador retropropagando el error de reconstrucción, no promueve salidas intermedias óptimas y sufre del problema de desaparición del gradiente. Para abordar estas limitaciones, esta investigación reinterpreta el concepto de destilación de conocimiento—tradicionalmente utilizado para entrenar redes neuronales más pequeñas transfiriendo conocimiento desde un modelo preentrenado más grande—para diseñar un sistema CI físicamente restringido transfiriendo conocimiento desde un sistema CI preentrenado con menos restricciones. El enfoque propuesto implica tres pasos: Primero, dado el sistema CI original (estudiante), se crea un sistema maestro relajando las restricciones en el codificador del estudiante. Segundo, el maestro se optimiza para resolver una versión menos restringida del problema del estudiante. Tercero, el maestro guía el entrenamiento del estudiante altamente restringido mediante dos funciones de transferencia de conocimiento propuestas, dirigidas tanto a la estructura del codificador como al espacio de características del decodificador. Este enfoque fue validado en tres modalidades representativas de CI: resonancia magnética, imagen de un solo píxel e imagen espectral compresiva. Las simulaciones demuestran que un sistema maestro con una estructura de codificador similar a la del estudiante—con un número comparable de mediciones o una naturaleza similar en la base de codificación—proporciona una guía efectiva. Esto conduce a una mejora significativa en el rendimiento de reconstrucción y en el diseño del codificador del estudiante, superando tanto la optimización E2E como los diseños de codificadores tradicionales no basados en datos.application/pdfenginfo:eu-repo/semantics/openAccessDestilación de conocimientoSistemas de imagen computacionalOptimización de extremo a extremoImagen por resonancia magnéticaSistemas de apertura codificadaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coKnowledge DistillationComputational Imaging SystemsEnd-To-End OptimizationMagnetic Resonance ImagingCoded Aperture Systemshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)