Iglesias Goldaracena, Héctor Rodrigo2023-06-292023-06-292023-06-29https://hdl.handle.net/10115/22340Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: Emanuele Schiavi , Iván Ramírez DíazEl objetivo de este trabajo es el estudio y la aplicación de modelos de aprendizaje profundo (deep learning) al problema de reducción de ruido aditivo gaussiano en imágenes digitales (denoising). Concretamente, se aplica la técnica Deep Image Prior, ampliamente empleada en procesamiento de imagen al no necesitar someter a la red a un entrenamiento previo. A raíz del modelo de ruido empleado, planteamos un criterio de parada automática que entrelaza el error cuadrático promedio --una función de coste habitual en el trabajo con redes neuronales-- con la varianza del ruido aplicado a la imagen. Asimismo, visualizamos el proceso de generación de imágenes sin ruido que realiza la red neuronal escogida utilizando la métrica de calidad SSIM, que permite evidenciar las secciones de similitud respecto a la imagen original, previa a la aplicación de ruido. Concluimos que el proceso de reducción de ruido se realiza incorporando información en orden creciente de detalle, lo que resalta en última instancia la importancia del criterio de parada obtenido.spaCreative Commons Atribución-CompartirIgual 4.0 Internacionalhttps://creativecommons.org/licenses/by-sa/4.0/legalcodeRedes neuronalesRuido aditivo gaussianoProcesamiento de imagen digitalPythonPyTorchinfo:eu-repo/semantics/studentThesisinfo:eu-repo/semantics/openAccess