DEEP LEARNING APLICADO A INPAINTING EN RETRATOS HABLADOS

Reconociendo la necesidad de complementar un sistema de retratos habla- dos mediante el uso de inteligencia artificial, en el presente trabajo se de- sarrolla y evalúa un modelo de inpainting para la reconstrucción de ros- tros humanos, enfocado en rellenar secciones faltantes del rostro a partir de los rasgos faciales principales. La metodología propuesta genera de forma dinámica, mediante aumento de datos (data augmentation), un con- junto de datos basado en imágenes enmascaradas provenientes de bases de datos faciales conocidas, con el objetivo de simular escenarios en los que se dispone de los rasgos faciales principales y existen espacios vacíos entre ellos. Esta investigación se lleva a cabo mediante un proceso experimental itera- tivo, en el cual se entrenan y comparan distintas configuraciones de mod- elos de redes neuronales convolucionales (Convolutional Neural Networks, CNNs) basados en autocodificadores de eliminación de ruido (Denoising Autoencoders) con conexiones tipo U-Net. El desempeño de los modelos se evalúa mediante métricas de calidad de imagen y observación cualitativa de las reconstrucciones generadas. Este trabajo tiene aplicaciones poten- ciales en seguridad y justicia, especialmente para mejorar la identificación visual en sistemas de retratos hablados.