03 / Abschlussprojekt · 2024

NostalgIA

Restaurierung beschädigter historischer Fotografien

Eine vollständige Experimentierpipeline, die Graustufen, Risse und Kratzer auf CelebA-Bildern simuliert, GAN- und U-Net-Ansätze vergleicht und dokumentiert, warum U-Net zur endgültigen Restaurierungsarchitektur wurde. Bewertet mit 10/10 an der ETSISI, Universidad Politécnica de Madrid.

Python
U-Net / GAN
TensorFlow / Keras
OpenCV
CelebA

Kontext: Abschlussprojekt — ETSISI, UPM · Juni 2024
Note: 10/10 · Betreuer: Alberto Díaz Álvarez
Datensatz: CelebA — rund 210.000 Gesichtsbilder
Code: Komplette Pipeline auf GitHub ↗

Restaurierungen

3 Visualisierungen

Originale, verkratzte und mit U-Net restaurierte Porträts — Kratzer-Restaurierung — Original, beschädigtes Eingabebild, U-Net-Ergebnis

Originale, zerrissene und mit U-Net restaurierte Porträts — Riss-Restaurierung — fehlende Teile, vom U-Net rekonstruiert

Originalfoto, Schwarz-Weiß-Eingabe und vom GAN koloriertes Ergebnis — Kolorierung — der frühere GAN-Ansatz für Schwarz-Weiß-Fotos

So funktioniert es

Vorgehen

Den Schaden simulieren

Paare aus beschädigten und intakten Fotos gibt es nicht in ausreichender Zahl — deshalb werden Graustufen, Risse (Perlin-Noise, zwei Schwellenwerte) und Kratzer (Perlin + Canny) auf sauberen CelebA-Bildern synthetisiert.

Zuerst das GAN versuchen

Ein Generator rekonstruierte beschädigte Bilder gegen einen Diskriminator. Vielversprechend bei der Kolorierung, doch mit Rissen und Kratzern kämpfte es auch nach dem Tuning.

Das U-Net liefern

Beschädigtes Bild rein, repariertes Bild raus. Das U-Net erfüllte die Projektziele und wurde zur endgültigen Architektur — durchgängig dokumentiert im Bericht.

Die Belege
hinter dem Case.

GitHub-Repo ↗LinkedIn-Profil ↗

← Zurück zu den Projekten