Laboratorio: Artificial Vision and Machine Learning (AVML) Lab

Descrizione: La conservazione e la valorizzazione del patrimonio documentale storico rappresentano una sfida di primaria importanza culturale e scientifica. Manoscritti, archivi notarili, testi a stampa antichi e documenti amministrativi costituiscono testimonianze insostituibili della memoria collettiva, ma sono spesso affetti da gravi fenomeni di degrado, quali ingiallimento del supporto, sbiadimento dell'inchiostro, macchie, strappi ed effetto bleed-through, che ne compromettono la leggibilità e ne ostacolano la fruizione digitale. Il restauro manuale di questi materiali è un processo lento, costoso e difficilmente scalabile, e le tecniche classiche di elaborazione delle immagini si rivelano inadeguate di fronte all'eterogeneità e alla complessità delle degradazioni reali. La tesi si propone di affrontare questo problema attraverso lo studio e lo sviluppo di modelli di deep learning per task quali denoising, binarizzazione, super-resolution e inpainting di immagini documentali, con particolare attenzione alle architetture basate su reti convoluzionali e transformer.

Description: The preservation and promotion of historical documentary heritage represent a challenge of paramount cultural and scientific importance. Manuscripts, notarial archives, antique printed texts, and administrative documents constitute irreplaceable testimonies of collective memory, but they are often affected by severe forms of deterioration, such as yellowing of the paper, fading ink, stains, tears, and bleed-through, which compromise their legibility and hinder their digital use. The manual restoration of these materials is a slow, costly, and difficult-to-scale process, and classical image processing techniques prove inadequate in the face of the heterogeneity and complexity of real-world degradation. This thesis aims to address this problem through the study and development of deep learning models for tasks such as denoising, binarization, super-resolution, and inpainting of documentary images, with a particular focus on architectures based on convolutional networks and transformers.