Look-up in Google Scholar
Title: Adaptación de técnicas de aprendizaje profundo para la restauración digital veloz de pinturas sin registros fotográficos
Advisor(s): Enciso Rodas, Lauro
OCDE field: http://purl.org/pe-repo/ocde/ford#1.02.02
Issue Date: 2024
Institution: Universidad Nacional de San Antonio Abad del Cusco
Abstract: 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.
Discipline: Ingeniería Informática y de Sistemas
Grade or title grantor: Universidad Nacional de San Antonio Abad del Cusco. Facultad de Ingeniería Eléctrica, Electrónica, Informática y Mecánica
Grade or title: Ingeniero Informático y de Sistemas
Juror: Flores Pacheco, Lino Prisciliano; Medrano Valencia, Ivan Cesar; Ormeño Ayala, Yeshica Isela; Pillco Quispe, Jose Mauro
Register date: 24-Jan-2025



This item is licensed under a Creative Commons License Creative Commons