Adaptación de técnicas de aprendizaje profundo para la restauración digital veloz de pinturas sin registros fotográficos

• Autores: Cavero Manzanares, Guadalupe Verenise, Loayza Condor, Catherine Lizbed
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/10255
• Enlace del recurso: http://hdl.handle.net/20.500.12918/10255
• Nivel de acceso: acceso abierto
• Materia: Restauración; Redes Neuronales Convolucionales; Inpainting; Deep Learning; Aprendizaje Automático; Tiempo de ejecución; Visión computacional; LaMa, EdgeConnect; Adaptación de técnicas; http://purl.org/pe-repo/ocde/ford#1.02.02

La tarea de la restauración digital de imágenes (Inpainting) supone una tarea fundamental dentro del campo de la visión computacional. En este trabajo se proponen adaptaciones a técnicas de aprendizaje profundo para la restauración digital de imágenes teniendo como objetivo mejorar la velocidad de ejecución. Luego de considerar un conjunto de técnicas, a partir de los criterios de ejecutabilidad, adaptabilidad, uniformidad y comparabilidad se seleccionan LaMa y EdgeConnect para su posterior adaptación. En la experimentación, se utiliza una base de datos de pinturas clásicas, cada una de las cuales es sometida a una distorsión uniforme y subsiguiente restauración con las técnicas seleccionadas y todas sus adaptaciones propuestas. Finalmente, de acuerdo con el análisis experimental a partir de los datos estadísticos obtenidos, la razón entre la diferencia de tiempo y la diferencia de calidad es de al menos 0.06 (6%), con lo cual hay una mejora del tiempo con relación a la pérdida de calidad. Esta mejora es constante en las técnicas finales seleccionadas, contribuyendo al avance de las aplicaciones de visión por computadora en restauración digital y su posterior uso en la restauración tradicional de pinturas sin registro fotográfico.