Applicazione dei modelli di diffusione all’inpainting e al restauro di immagini

La presente tesi si propone di indagare l’impiego della tecnica di diffusion inpainting come alternativa ai metodi tradizionali di restauro di immagini basati su architetture U-Net. I risultati ottenuti evidenziano come i modelli di diffusione siano in grado di generare immagini con maggiore nitidezza e livello di dettaglio. Particolare attenzione è stata posta all’uso di strategie di ensemble, che hanno permesso di incrementare le prestazioni quantitative sulle metriche MSE, PSNR e SSIM, generando ricostruzioni più stabili. A supporto di questo lavoro è stato impiegato un Denoising Diffusion Implicit Model (DDIM), una variante dei modelli di diffusione ancora poco esplorata in letteratura, che offre significativi vantaggi in termini computazionali grazie alla possibilità di ridurre il numero di step di inferenza senza compromettere la qualità delle ricostruzioni. La versatilità del metodo è stata confermata dall’applicazione riuscita a un compito alternativo di image reconstruction, ossia la ricostruzione dei canali di colore (color reconstruction). In questo scenario, l’integrazione di meccanismi di self-attention nella rete di denoising ha mostrato particolare efficacia, consentendo al modello di cogliere relazioni a lungo raggio tra regioni semanticamente correlate.