Escalado y reconstrucción de imágenes

El propósito principal de este proyecto es diseñar y desarrollar modelos de redes neuronales para la reconstrucción y escalado de imágenes, con aplicaciones en medicina, astronomía y seguridad. Además, se busca comparar diversas arquitecturas de redes neuronales para determinar el modelo más eficiente y analizar su precisión en la restauración y escalado de imágenes. La metodología se divide en dos etapas. Primero, se ha creado un conjunto de datos con imágenes en tres resoluciones: alta, media y baja. Las imágenes originales de 2k se han reducido a 1024 × 1024 y se les han aplicado transformaciones para su entrenamiento. Segundo, se han diseñado y entrenado varios modelos de redes neuronales, incluyendo autoencoders, Autoencoders Variacionales (VAE), y tres versiones de Redes Generativas Adversarias Condicionales (cGAN): una cGAN básica, una basada en la arquitectura pix2pix y otra en la arquitectura Súper Resolución Profunda Mejorada (EDSR). Pese a que las métricas tradicionales como la Porción Máxima de Señal a Ruido (PSNR) y el Índice de Similitud Estructural (SSIM) pueden ser indicativas respecto a la calidad de las imágenes, no siempre reflejan la calidad visual percibida. El autoencoder obtuvo resultados prometedores en las métricas analíticas, pero los resultados visuales en resoluciones bajas han sido insatisfactorias. Por otro lado, la cGAN EDSR ha sido la más prometedora en cuanto a resultados analíticos y visuales, a costa de un mayor tiempo de entrenamiento. Los resultados obtenidos en el proyecto parecen indicar que es posible mejorar significativamente la calidad de imágenes deterioradas mediante modelos de redes neuronales. La comparación de diferentes arquitecturas ha permitido identificar modelos eficientes y precisos para aplicaciones prácticas. Abstract: The main purpose of this project is to design and develop neural network models for image reconstruction and scaling, with applications in medicine, astronomy, and security. Additionally, the pro