Deblurring di campioni di immagini generate da Variational Autoencoders

La tesi parla di modelli generativi, in particolare dei Variational Autoencoders, i quali soffrono ancora di problemi di sfuocatura nelle immagini ricostruite e generate. Si propone quindi l'utilizzo di una rete di super risoluzione per rimuovere il rumore presente. Il lavoro ha comportato fare il porting del codice del 2StageVAE, un'estensione a due stadi del VAE tradizionale, da TensorFlow 1 a TensorFlow 2, per poi fare il retraining del modello sul dataset CelebA. Successivamente è stata implementata la DeBlurring Super Resolution Convolutional Neural Network, per poi fare il testing di essa sui campioni generati dal VAE. Dopo una fase d'introduzione ai fondamenti del Deep Learning, nella tesi viene trattato il modello dei Variational Autoencoder da un punto di vista teorico, per esporne poi alcune issues. Si propone il modello del Two Stage Variational Autoencoder utilizzato per il progetto e di seguito l'implementazione della rete di deblurring. Infine si descrive il test con i relativi risultati a cui segue un breve riepilogo con le conclusioni e possibili lavori futuri.