RT Generic
T1 Restauración digital de arte y patrimonio cultural mediante modelos y técnicas de aprendizaje profundo
T2 Digital restoration of art and cultural heritage through deep learning models and techniques
A1 Torre Segato, Alba  de la
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería del Software - Trabajos Fin de Grado
AB objetivo de este trabajo es desarrollar un modelo basado en aprendizaje profundocapaz de restaurar obras de arte dañadas mediante técnicas de inpainting,es decir, el completado de regiones deterioradas de una imagen para integrarlas deforma consistente con el resto. Esto presenta dos grandes retos: la reconstrucciónde estructuras globales coherentes y la preservación de las texturas locales. Paraabordarlos se han utilizado dos métodos diferentes.En primer lugar se implementó un Autoencoder1 para capturar las característicasrelevantes de los estilos pictóricos y reconstruir las zonas con desperfectos.Se exploraron distintas arquitecturas y configuraciones de entrenamiento, destacandola integración de dicho Autoencoder como componente generador de unaGenerative Adversarial Network (GAN)2, entrenándose el sistema hasta que el discriminadorno pudo diferenciar entre imágenes reales y las reconstruidas por elGAN. Ambos enfoques se refinaron mediante sucesivas pruebas y ajuste de hiperparámetros.Por otro lado, también se aborda el problema utilizando el modelo neuronalprofundo conocido como Image Completion Transformer3, diseñado para aprovecharla atención global de los Transformers junto a la potencia de las redes convolucionales,que son capaces de generar texturas detalladas y realistas.Ambos enfoques se evalúan cuantitativa y cualitativamente mediante comparacionesvisuales y concluyen, tras analizar los resultados, que el modelo basadoen ICT produce reparaciones de las obras con una mayor coherencia visual.
YR 2025
FD 2025-06
LK https://hdl.handle.net/10630/44941
UL https://hdl.handle.net/10630/44941
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 3 mar 2026