Scribd
Carica
4 visualizzazioni2 pagine

Stable Diffusion

Il documento descrive un processo di restauro di immagini danneggiate utilizzando un modello preaddestrato. Include fasi di caricamento dell'immagine, creazione di una maschera, inserimento di testo da esperti e valutazione del restauro, con iterazioni per migliorare il modello in caso di feedback negativo. Inoltre, il documento evidenzia la preparazione dei dati e l'addestramento del modello con nuove immagini e testi.

Caricato da

fabioluzi1975circa
Copyright
© All Rights Reserved
Per noi i diritti sui contenuti sono una cosa seria. Se sospetti che questo contenuto sia tuo, rivendicalo qui.
Formati disponibili
Scarica in formato DOCX, PDF, TXT o leggi online su Scribd
4 visualizzazioni2 pagine

Stable Diffusion

Il documento descrive un processo di restauro di immagini danneggiate utilizzando un modello preaddestrato. Include fasi di caricamento dell'immagine, creazione di una maschera, inserimento di testo da esperti e valutazione del restauro, con iterazioni per migliorare il modello in caso di feedback negativo. Inoltre, il documento evidenzia la preparazione dei dati e l'addestramento del modello con nuove immagini e testi.

Caricato da

fabioluzi1975circa
Copyright
© All Rights Reserved
Per noi i diritti sui contenuti sono una cosa seria. Se sospetti che questo contenuto sia tuo, rivendicalo qui.
Formati disponibili
Scarica in formato DOCX, PDF, TXT o leggi online su Scribd

Immagine_Input = carica_Immagine ("opera_danneggiata.

jpg")

mask = crea_Maschera (Immagine_Input)

testo_Associato = Esperto_Inserisce_testo (Immagine_Input)

// il modello è preaddestrato

Immagine_Restaurata = modello_Restauro (Immagine_Input, mask,


testo_Associato)

feedback = Valutazione_Esperto (Immagine_Restaurata)

while [Link]

rifinisci_Modello ()

Immagine_Restaurata = modello_Restauro (Immagine_Input, mask,


testo_Associato)

feedback = Valutazione_Esperto (Immagine_Restaurata)

Mostra_Immagine_Restaurata ()

Storicizza_Immagine_Restaurata ()

rifinisci_Modello ()

// Caricare nuove immagini da includere nell'addestramento, ognuna con


relativo testo inserito da esperto

Nuove_Immagini = caricaNuoveImmagini_e_Testo()

Si esegue un ciclo di addestramento sul modello

for ogni [img, text] in Nuove_Immagini

[Link](img, text) # addestra il modello sull'immagine con la


descrizione

Gruppo TIM - Uso Interno - Tutti i diritti


riservati.
// Salva modello aggiornato

modello_Restauro  save_model()

[Link](img, text )

// Preparazione dati , normalizzazione imagine ( contrasti etc ) e testo ( sintassi


strutturata )

prepared_image = preprocess(img)

prepared_text = preprocess_text(text)

// Generazione di versioni rumorose e apprendimento

// Generazione di una gamma di nuove immagini con aggiunta di rumore step


per step, ogni nuova immagine rumorosa è uno step

noisy_versions = add_noise(prepared_image)

// è il cuore della funzione, qui step per step si confrontano l’immagine predetta
e quella iniziale pulita, e si calcola il loss, che indica quanto l’immagine
predetta è diversa da quella pulita iniziale ; sulla base del loss di aggiornano i
pesi del modello. Se immagine predetta e immagine iniziale pulita fossero
uguali i pesi del modello rimarrebbero uguali.

for step in noisy_versions:

predicted = [Link](step, prepared_text)

loss = compute_loss(predicted, prepared_image)

model.update_weights(loss)

Gruppo TIM - Uso Interno - Tutti i diritti


riservati.

Potrebbero piacerti anche