03 / Projet de fin d'études · 2024
NostalgIA
Restauration de photographies historiques endommagées
Un pipeline d'expérimentation complet qui simule niveaux de gris, déchirures et rayures sur des images CelebA, compare les approches GAN et U-Net et documente pourquoi U-Net est devenue l'architecture de restauration finale. Noté 10/10 à l'ETSISI, Universidad Politécnica de Madrid.
- Python
- U-Net / GAN
- TensorFlow / Keras
- OpenCV
- CelebA
- Contexte
- Projet de fin d'études — ETSISI, UPM · juin 2024
- Note
- 10/10 · Tuteur : Alberto Díaz Álvarez
- Dataset
- CelebA — environ 210 000 images de visages
Restaurations
3 visuels
Comment ça marche
Approche
Simuler les dégâts
Les paires de photos réelles endommagées et intactes n'existent pas à grande échelle : niveaux de gris, déchirures (bruit de Perlin, deux seuils) et rayures (Perlin + Canny) sont donc synthétisés sur des images CelebA propres.
Essayer le GAN d'abord
Un générateur reconstruisait les images endommagées face à un discriminateur. Prometteur en colorisation, mais il peinait sur les déchirures et les rayures même après ajustement.
Livrer l'U-Net
L'image endommagée entre, l'image réparée sort. U-Net a rempli les objectifs du projet et est devenue l'architecture finale, documentée de bout en bout dans le rapport.
Les preuves
derrière le cas.