03 / Afstudeerproject · 2024

NostalgIA

Restauratie van beschadigde historische foto's

Een volledige experimentatiepipeline die grijstinten, scheuren en krassen simuleert op CelebA-afbeeldingen, GAN- en U-Net-benaderingen vergelijkt en documenteert waarom U-Net de definitieve restauratiearchitectuur werd. Beoordeeld met 10/10 aan de ETSISI, Universidad Politécnica de Madrid.

Python
U-Net / GAN
TensorFlow / Keras
OpenCV
CelebA

Context: Afstudeerproject — ETSISI, UPM · juni 2024
Cijfer: 10/10 · Begeleider: Alberto Díaz Álvarez
Dataset: CelebA — circa 210.000 gezichtsafbeeldingen
Code: Volledige pipeline op GitHub ↗

Restauraties

3 visuals

Originele, bekraste en met U-Net gerestaureerde portretten — Krasrestauratie — origineel, beschadigde invoer, U-Net-uitvoer

Originele, gescheurde en met U-Net gerestaureerde portretten — Scheurrestauratie — ontbrekende stukken, herbouwd door het U-Net

Originele foto, zwart-witinvoer en door de GAN ingekleurde uitvoer — Kleuring — de eerdere GAN-benadering op zwart-witfoto's

Hoe het werkt

Aanpak

De schade simuleren

Echte paren van beschadigde en intacte foto's bestaan niet op schaal, dus worden grijstinten, scheuren (Perlin-ruis, twee drempels) en krassen (Perlin + Canny) gesynthetiseerd op schone CelebA-afbeeldingen.

Eerst de GAN proberen

Een generator reconstrueerde beschadigde afbeeldingen tegenover een discriminator. Veelbelovend bij kleuring, maar worstelde met scheuren en krassen, zelfs na tuning.

Het U-Net shippen

Beschadigde afbeelding erin, gerepareerde afbeelding eruit. U-Net voldeed aan de projectdoelen en werd de definitieve architectuur, van begin tot eind gedocumenteerd in het rapport.

Het bewijs
achter de case.

GitHub-repo ↗LinkedIn-profiel ↗

← Terug naar geselecteerd werk