03 / Trabajo de Fin de Grado · 2024
NostalgIA
Restauración de fotografías históricas dañadas
Un pipeline completo de experimentación que simula escala de grises, rasgaduras y arañazos sobre imágenes de CelebA, compara enfoques GAN y U-Net y documenta por qué U-Net se convirtió en la arquitectura final de restauración. Calificado con 10/10 en la ETSISI, Universidad Politécnica de Madrid.
- Python
- U-Net / GAN
- TensorFlow / Keras
- OpenCV
- CelebA
- Contexto
- Trabajo de Fin de Grado — ETSISI, UPM · junio de 2024
- Nota
- 10/10 · Tutor: Alberto Díaz Álvarez
- Dataset
- CelebA: unas 210.000 imágenes de caras
Restauraciones
3 imágenes
Cómo funciona
Enfoque
Simular el daño
No existen pares reales de fotos dañadas e intactas a escala, así que se sintetizan escala de grises, rasgaduras (ruido de Perlin, dos umbrales) y arañazos (Perlin + Canny) sobre imágenes limpias de CelebA.
Probar primero la GAN
Un generador reconstruía las imágenes dañadas contra un discriminador. Prometedor en colorización, pero fallaba con rasgaduras y arañazos incluso tras ajustarlo.
Quedarse con la U-Net
Entra la imagen dañada, sale la imagen reparada. La U-Net cumplió los objetivos del proyecto y se convirtió en la arquitectura final, documentada de principio a fin en la memoria.
Las pruebas
detrás del caso.