PhotoRestorer: Restauración de retratos antiguos o dañados con Deep Learning

• Autores: Mendoza Davila, Christopher Andre, Porta Montes, David Obhed
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/676439
• Enlace del recurso: http://hdl.handle.net/10757/676439
• Nivel de acceso: acceso abierto
• Materia: Restauración de fotografías; GAN; Image Inpainting; CNN; Clasificación de Imágenes; Transfer Learning; Modelos de Machine Learning; Photo Restoration; Image Classification; Deep Learning; Machine Learning Models; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.00.00

Hace no muchos años, se solía tomar fotografías analógicas o tradicionales, las cuales terminaban en una foto impresa y estaban expuestas a diferentes tipos de daños. Por consiguiente, el objetivo de este proyecto es la construcción de una aplicación móvil que permita restaurar retratos de personas utilizando técnicas de Deep Learning. Si bien muchos estudios proponen diversas técnicas de restauración, estas se centran en un solo tipo de daño y si logran enfocarse en distintos tipos de daño, sus resultados no son del todo buenos y pueden tener tiempos de ejecución excesivos reflejando el margen de mejora. Por ese motivo, proponemos la creación de una Red Neuronal Convolucional (CNN) para clasificar el tipo de daño de una imagen y, en consecuencia, aplicar modelos de restauración pre entrenados. Para este clasificador utilizamos la técnica de Transfer Learning usando Inception V3 como base para la arquitectura. Asimismo, para el entrenamiento del clasificador, creamos nuestra propia fuente de datos a partir del dataset FFHQ, que contiene una gran variedad de rostros de personas al cual tuvimos que aplicar filtros y máscaras para simular imágenes dañadas o antiguas. Los resultados muestran que el uso del clasificador para que identifique el tipo de daño en imágenes antes de la restauración es una buena opción para reducir los tiempos de ejecución y mejorar los resultados de las imágenes restauradas, dado que se aplica el modelo correcto al retrato que lo necesite.