From Dust to Detail: Deep Learning Pipelines for Analog Film Restoration
Riubrogent Comas, Pol
Baldrich i Caselles, Ramon, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Solucions de deep learning per a la restauració de cinema analògic
Títol variant:	Soluciones con deep learning para la restauración de cine analógico
Data:	2025
Resum:	Restaurar film analògic, com ara còpies de 35mm, és tradicionalment un procés manual i que requereix molt de temps, sovint limitat a institucions amb bon finançament. Els mètodes recents d'aprenentatge profund ofereixen una via cap a l'automatització, però la majoria no tenen en compte les característiques visuals úniques del cinema, especialment el gra natural. Aquest projecte explora dues aproximacions de restauració dissenyades per eliminar selectivament defectes físics comuns com la pols, ratllades, brutícia i zones cremades, tot preservant la textura intrínseca dels escanejats de pel·lícula. La primera és una pipeline modular que combina una xarxa de segmentació de danys amb un model d'inpainting; la segona és un model transformer de punta a punta adaptat del Restormer. Tots dos s'han entrenat amb un conjunt de dades sintètic que simula la degradació real del cinema i s'han avaluat mitjançant SSIM, PSNR, LPIPS i anàlisi qualitativa. El codi complet, així com la planificació, es poden consultar a: https://github. com/NIU1636486/TFG_FILM_RESTORATION.
Resum:	Restaurar cine analógico, como las copias en 35mm, es tradicionalmente un proceso manual y que requiere mucho tiempo, habitualmente limitado a instituciones con buena financiación. Los métodos recientes de aprendizaje profundo ofrecen una vía hacia la automatización, pero la mayoría no tiene en cuenta las características visuales únicas del cine, especialmente el grano natural. Este proyecto explora dos enfoques de restauración diseñados para eliminar selectivamente defectos físicos comunes como polvo, rayones, suciedad y zonas quemadas, preservando la textura intrínseca de los escaneos de película. El primero es una canalización modular que combina una red de segmentación de daños con un modelo de inpainting; el segundo es un modelo transformer de extremo a extremo adaptado del Restormer. Ambos han sido entrenados con un conjunto de datos sintético que simula la degradación real del cine y se han evaluado mediante SSIM, PSNR, LPIPS y análisis cualitativo. El código completo y la planificación pueden consultarse en: https://github. com/NIU1636486/TFG_FILM_RESTORATION.
Resum:	Restoring analog film, such as 35mm prints, is traditionally a manual and time-consuming process, often limited to well-funded institutions. Recent deep learning methods offer a path to automation, but most fail to account for the unique visual characteristics of film, particularly its natural grain. This project explores two restoration approaches designed to selectively remove common physical defects like dust, scratches, dirt, and burned regions, while preserving the intrinsic texture of film scans. The first is a modular pipeline combining a damage segmentation network with an inpainting model; the second is an end-to-end transformer-based model adapted from Restormer. Both are trained on a synthetic dataset simulating realworld film degradation and are evaluated using SSIM, PSNR, LPIPS, and qualitative analysis. The full code as well as planification, can be consulted in: https://github. com/NIU1636486/TFG_FILM_RESTORATION.
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:	Anglès
Titulació:	Grau en Enginyeria de Dades [2503758]
Pla d'estudis:	Enginyeria de Dades [1394]
Document:	Treball final de grau ; Text
Matèria:	Restauració de cinema ; Cinema analògic ; Aprenentatge profund ; Segmentació d'artifacts ; Inpainting ; Transformers ; Gra de pel·lícula ; Restauració digital ; Visió per computador ; Restauración de cine ; Cine analógico ; Aprendizaje profundo ; Segmentación de artefactos ; Grano cinematográfico ; Restauración digital ; Visión por computador ; Film restoration ; Analog cinema ; Deep learning ; Artifact segmentation ; Film grain ; Digital restoration ; Computer vision

13 p, 12.2 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG