ARTÍCULO DE INVESTIGACIÓN
David José Funes Gabaldón, Marco López Gómez y Guillermo Caminero Araus
1 Presentación del tema
La cartografía digital y la teledetección satelital son dos fuentes de información geoespacial complementarias que raramente coexisten en el mismo instante temporal. En planificación urbana, un arquitecto puede disponer de mapas vectoriales actualizados pero carecer de cobertura satelital reciente. En simulación de desastres, los modelos de inundación requieren datos raster que en regiones remotas no existen. En gestión de emergencias humanitarias, la cobertura nubosa —que afecta estadísticamente hasta el 60 % de la superficie terrestre en cualquier momento— impide obtener imágenes aéreas cuando más se necesitan.
❓ ¿Puede una red neuronal aprender a traducir una representación geoespacial a otra? ¿Es posible sintetizar automáticamente una imagen satelital fotorrealista desde un boceto cartográfico, o extraer un mapa limpio desde una fotografía aérea?
La respuesta es afirmativa. Exploramos las redes generativas antagónicas condicionales (cGAN) bajo el marco Pix2Pix [1], con generador U-Net [2] y discriminador PatchGAN, entrenadas sobre el dataset Berkeley Maps [1].
2 Breve estado del arte
Pix2Pix [1] establece la formulación general: cualquier traducción imagen a imagen puede plantearse como un juego minimax entre un generador G y un discriminador D condicionales a la imagen de entrada. El discriminador PatchGAN evalúa parches solapados de 70 × 70 px en lugar de la imagen completa, penalizando localmente la falta de realismo en texturas y bordes.
El generador adopta la arquitectura U-Net [2], un encoder-decoder simétrico con skip connections que propagan información espacial de alta frecuencia directamente desde el encoder al decoder, saltando el cuello de botella. Esto es esencial: sin ellas, los bordes precisos de calles y edificios se pierden en la compresión.
El estado del arte actual está dominado por modelos de difusión latente [6,7] como Map-Sat [8] y Seg2Sat [9], que al ser estocásticos pueden muestrear múltiples realizaciones plausibles para una misma entrada, superando el límite determinista de las cGAN. Nuestro trabajo estudia las capacidades y límites de las cGAN como base sólida previa a ese salto paradigmático.
3 Análisis matemático
Función de pérdida total del generador:
Adoptamos la variante LS-GAN [5], que sustituye los logaritmos originales por errores cuadráticos, estabilizando el entrenamiento al eliminar gradientes nulos cerca del equilibrio.
Por qué L₁ > L₂. Bajo incertidumbre multimodal, el estimador óptimo en el sentido L₂ es la media condicional —una superposición borrosa de todas las texturas plausibles. Bajo L₁ es la mediana condicional, más robusta a modos extremos y con bordes más nítidos [4]. El componente adversarial aporta el realismo de alta frecuencia que ninguna norma Lₚ puede capturar sola.
Skip connections. La concatenación del mapa de características del encoder en cada nivel del decoder suministra componentes espectrales de alta frecuencia que el cuello de botella habría atenuado. El gradiente fluye directamente hasta las capas superficiales del encoder, acelerando la convergencia y preservando la precisión geométrica a nivel de píxel.
4 Configuración experimental
| Hiperparámetro | Valor |
|---|---|
| Épocas (LR constante + decay) | 100 + 100 = 200 |
| Batch size / batch efectivo | 1 / 4 (gradient accumulation) |
| Learning rate | 2 × 10⁻⁴ (Adam, β₁ = 0,5) |
| Mixed Precision (AMP) | Activado (~2,5 GB VRAM) |
| λ — dirección A→B | 100 |
| λ — dirección B→A | 10 (ver Sección 6) |
Dataset: Berkeley Maps [1] — 1.096 pares train + 1.098 val. Cada archivo JPEG es de 1200 × 600 px side-by-side (izquierda: satelital; derecha: mapa OSM). Augmentación en train: resize 286 × 286 → random crop 256 × 256 → volteo horizontal aleatorio. En val: resize directo a 256 × 256.
5 Dirección A→B — Satelital → Mapa (abstracción)
La traducción satelital → mapa es una reducción de entropía: la imagen de entrada tiene entropía informacional muy alta; la salida tiene entropía muy baja. Existe una correspondencia relativamente unívoca entre textura satelital y clase cartográfica, lo que hace esta dirección algorítmicamente más tratable.
Resultados (200 imágenes del val set)
| SSIM ↑ | L1 ↓ | PSNR ↑ | FID ↓ |
|---|---|---|---|
| 0,794 ± 0,057 | 0,026 ± 0,012 | 27,60 ± 3,71 dB | 279,1 |
El SSIM de 0,794 supera la referencia de Isola et al. [1] sobre este mismo dataset (SSIM ≈ 0,49), confirmando la efectividad de las mejoras: LS-GAN, Mixed Precision y gradient accumulation.
6 Dirección B→A — Mapa → Satelital (síntesis)
La dirección inversa es cualitativamente distinta: el modelo recibe una imagen de baja entropía y debe sintetizar textura fotorrealista que no está presente en la entrada. ¿Cómo luce el tejado de un edificio en Brooklyn desde el aire? ¿Cómo varía el asfalto húmedo? La red debe haberlo aprendido de los patrones estadísticos del conjunto de entrenamiento.
El impacto de λ: comparativa v1 vs. v2. Con λ = 100 (v1), la pérdida L₁ domina más del 90 % del gradiente total. El mínimo de esa función es la media estadística de todas las imágenes satelitales —que para ciudades estadounidenses resulta ser una imagen oscura y uniforme (mode collapse). Al reducir a λ = 10 (v2), el componente adversarial recupera peso y el generador aprende a sintetizar texturas reales.
| Métrica | v1 (λ = 100) | v2 (λ = 10) | Δ |
|---|---|---|---|
| SSIM ↑ | 0,327 | 0,218 | −0,109 |
| L1 ↓ | 0,112 | 0,135 | +0,023 |
| PSNR ↑ | 16,64 dB | 15,15 dB | −1,49 dB |
| FID ↓ | 273,6 | 292,0 | +18,4 |
7 La paradoja SSIM y el papel del FID
La caída de SSIM de v1 a v2 no es una regresión. Es la manifestación del perception-distortion tradeoff [3]: existe una compensación fundamental entre fidelidad píxel a píxel y calidad perceptual. El modelo v1 generaba imágenes oscuras que coincidían estadísticamente con zonas oscuras del ground truth, obteniendo SSIM artificialmente alto sin calidad visual real.
El FID [10] mide si la distribución de imágenes generadas se aproxima a la distribución real en el espacio de features de InceptionV3 —sin requerir correspondencia píxel a píxel. Es la métrica apropiada para evaluar síntesis generativa. Con n = 200 los valores FID de v1 (273,6) y v2 (292,0) son próximos y caen dentro del margen de varianza estadística (FID requiere n ≥ 10 000 para ser estable). La inspección visual es concluyente donde el FID no puede serlo: v2 genera tejados, calles y vegetación reconocibles; v1 produce oscuridad uniforme.
8 Análisis cualitativo
A→B — Mejores resultados: zonas costeras y cuerpos de agua. El ground truth es un polígono azul uniforme y la firma espectral del agua es inconfundible. Peores resultados: nudos viales e intercambiadores, donde el modelo falla en la asignación precisa de colores por categoría de vía.
B→A — Mejores resultados: también cuerpos de agua; grandes masas azules en el mapa producen agua oscura convincente en la salida. Peores resultados: los mismos nudos viales, donde la diversidad de texturas posibles es máxima y el generador produce texturas confusas.
Artefactos observados: (1) difuminado de texturas complejas: presión L₁ residual incluso con λ = 10; (2) alucinación de estructuras en B→A: en zonas con poca información en el mapa el modelo rellena con el patrón urbano más frecuente en el dataset.
9 Conclusiones
La combinación U-Net + PatchGAN demuestra ser una solución robusta y computacionalmente accesible: los resultados de A→B (SSIM = 0,794) superan la línea base del paper original. El experimento comparativo v1 vs. v2 demuestra empíricamente el perception-distortion tradeoff: reducir λ de 100 a 10 en B→A perjudica las métricas pixel-wise pero elimina el mode collapse y mejora radicalmente la calidad perceptual.
La naturaleza determinista de las cGAN impone un techo fundamental: el generador aprende a mapear una entrada a una única salida óptima y no puede explorar la distribución de salidas plausibles. El salto paradigmático para superar este límite apunta a los modelos de difusión latente [8][9], que combinan la precisión espacial de la cartografía vectorial con la capacidad estocástica de muestrear múltiples realizaciones igualmente válidas.
Enlace a nuestro repositorio: https://github.com/djfuga/Traduccion-Imagenes-Satelite-PASD
Referencias
[1] Isola et al. Image-to-Image Translation with Conditional Adversarial Networks. CVPR 2017.
[2] Ronneberger et al. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015.
[3] Blau & Michaeli. The Perception-Distortion Tradeoff. CVPR 2018.
[4] Zhao et al. Loss Functions for Image Restora, 2017tion with Neural Networks. IEEE TCI 2017.
[5] Mao et al. Least Squares Generative Adversarial Networks. ICCV 2017.
[6] Ho et al. Denoising Diffusion Probabilistic Models. NeurIPS 2020.
[7] Rombach et al. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022.
[8] Espinosa-Aranda et al. Map-Sat. 2023.
