tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Development of an Interactive Image Enhancement System Based on Stylistic Examples |
| Data: |
2025 |
| Resum: |
Aquest treball demostra que és possible guiar l'edició automàtica d'imatges a partir de la selecció d'exemples estilístics, millorant l'experiència dels usuaris. Els mètodes actuals aborden la tasca d'Image Enhancement amb un enfocament d'extrem a extrem, imitant l'estil d'un fotògraf expert. Això limita la capacitat dels usuaris per influir en el resultat final, sovint generant insatisfacció. Per resoldre aquesta limitació, proposem un sistema basat en tècniques d'aprenentatge profund com Xarxes Neuronals Convolucionals (CNNs) i Transformers que permet als usuaris seleccionar exemples de referència per definir l'estil desitjat. El sistema extreu característiques de la imatge exemplar i les integra a l'espai latent d'una arquitectura en forma de U amb blocs de Transformer, aplicant millores personalitzades. Els resultats mostren millores en la il·luminació i els tons dels colors, mantenint la coherència visual de la imatge original. Aquest enfocament simplifica l'edició fotogràfica, fent-la accessible per a tothom, independentment del seu nivell d'experiència. |
| Resum: |
Este trabajo demuestra que es posible guiar la edición automática de imágenes a partir de la selección de ejemplos estilísticos, mejorando la experiencia de los usuarios. Los métodos actuales abordan la labor de Image Enhancement con un enfoque de extremo a extremo, imitando el estilo de un fotógrafo experto. Esto limita la capacidad de los usuarios para influir en el resultado final, a menudo generando insatisfacción. Para resolver esta limitación, proponemos un sistema basado en técnicas de aprendizaje profundo como Redes Neuronales Convolucionales (CNNs) y Transformers que permite a los usuarios seleccionar ejemplos de referencia para definir el estilo deseado. El sistema extrae características de la imagen ejemplar y las integra en el espacio latente de una arquitectura en forma de U con bloques de Transformer, aplicando mejoras personalizadas. Los resultados muestran mejoras en la iluminación y tonos de los colores, manteniendo la coherencia visual de la imagen original. Este enfoque simplifica la edición fotográfica, haciéndola accesible para todos, independientemente de su nivel de experiencia. |
| Resum: |
This work demonstrates that it is possible to guide automatic image editing based on the selection of stylistic examples, improving the user experience. Current methods approach the Image Enhancement task with an end-to-end approach, imitating the style of an expert photographer. This limits the ability of users to influence the final result, often generating dissatisfaction. To solve this limitation, we propose a system based on deep learning techniques such as Convolutional Neural Networks (CNNs) and Transformers that allows users to select reference examples to define the desired style. The system extracts features from the exemplary image and integrates them into the latent space of a U-shaped architecture with Transformer blocks, applying personalized improvements. The results show improvements in lighting and color tones, while maintaining the visual coherence of the original image. This approach simplifies photo editing, making it accessible to everyone, regardless of their level of experience. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Català |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Aprenentatge profund ;
Conjunt de dades ;
Codificador ;
Decodificador ;
Xarxa neuronal convolucional (cnn) ;
Restormer ;
Classificador ;
Funció de pèrdua ;
Millora d'imatges ;
Aprendizaje profundo ;
Conjunto de datos ;
Red neuronal convolucional (cnn) ;
Clasificador ;
Función de pérdida ;
Mejora de imágenes ;
Deep learning ;
Dataset ;
Encoder ;
Decoder ;
Convolutional neural network (cnn) ;
Classifier ;
Loss function ;
Image enhancement |
visitant ::
identificació
tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
