Tu sei qui:

B5534 - COMPUTATIONAL IMAGING

Anno Accademico 2025/2026

                
                        Docente:
                        Elena Loli Piccolomini
                    
                        Crediti formativi:
                        6
                    
                        SSD:
                        MAT/08
                    
                        Lingua di insegnamento:
                        Inglese
                    
                        Moduli:
                        
                            Elena Loli Piccolomini
                            (Modulo 1)
                        
                            Davide Evangelista
                            (Modulo 2)
                        
                        Modalità didattica:
                        
                                    Lezioni in presenza (totalmente o parzialmente) (Modulo 1); 
                                
                                    Lezioni in presenza (totalmente o parzialmente) (Modulo 2)
                                
                            Campus:
                            Bologna
                        
                            Corso:
                            Laurea Magistrale in
                            Informatica (cod. 6698)

                            Risorse didattiche su Virtuale
                        
                                        Orario delle lezioni (Modulo 1)
                                    
dal 17/02/2026 al 21/05/2026

                                        Orario delle lezioni (Modulo 2)
                                    
dal 19/03/2026 al 30/04/2026

Conoscenze e abilità da conseguire

Al termine del corso lo studente conosce alcuni metodi computazionali per l’elaborazione delle immagini e loro applicazioni, con particolare riferimento ai problemi inversi nell’imaging, quali rimozione del rumore, dello sfocamento, o super-risoluzione. E’ in grado di risolvere alcuni di questi problemi utilizzando sia algoritmi classici di ottimizzazione che moderni approcci basati su reti neurali convoluzionali (CNN).

Contenuti

- Concetti di base della formazione delle immagini e modellazione del rumore

- Strumenti matematici per l' elaborazione di immagini: filtri, trasformata discreta di Fourier

- Applicazioni di computational imaging come problemi inversi: rimozione del rumore, del blur, super risoluzione, segmentazione, ricostruzione da dati tomografici , ....

- Metodi classici con approccio regolarizzazione per la risoluzione dei problemi di computational imaging

- Approccio con reti neurali convolutive. Studio di architetture e loss per imaging allo stato dell'arte.

- Approccio generativo: Generative Adversarial Networks (GAN), Diffusion models e loro applicazione in computational imaging. Recenti sviluppi.

- Esercitazioni pratiche utilizzando Python e Pytorch.

Testi/Bibliografia

Note del docente

Metodi didattici

Lezioni frontali ed esercitazioni con il laptop personale.

Modalità di verifica e valutazione dell'apprendimento

L'esame consiste di due parti:

1) Consegna e discussione di un progetto assegnato dal docente alla fine del corso. La discussione sarà fatta tramite una presentazione con slides o notebook. Verranno valutati:

- la correttezza ed efficienza del software

- l'accuratezza dei risultati ottenuti

- la presentazione

voto massimo: 25

2) un breve orale sulla parte di teoria svolta a lezione (1-2 domande). verranno valutate:

- la comprensione dell'argomento

- la chiarezza nell'esposizione dell'argomento

voto massimo: 6

A discrezione del docente viene assegnata la lode.