Опубликовано: 06.08.2026 | Источник: CNews (новости)

```html

Нейросеть для восстановления икон: от идеи до защиты ВКР

В марте 2026 года РТУ МИРЭА анонсировала разработку нейросети, которая поможет реставрировать древние иконы. Проблема известная: тысячи памятников разрушаются, а ручная реставрация доступна лишь единичным экспонатам. Для студента ИТ-направлений это не просто новость, а готовая образовательная траектория. Вы можете взять реальный кейс из области компьютерного зрения, генеративных моделей и инженерии данных и превратить его в актуальную ВКР, которая будет интересна комиссии и потенциальным работодателям. Ниже — конкретные варианты тем, структура работы, метрики и подводные камни.

Частые вопросы перед стартом

С какой архитектуры начать, если я не силён в ML?

Начните с U-Net или сверточной автоэнкодерной модели. Это проверенные варианты для восстановления изображений. Если хочется более современного решения — добавьте GAN с perceptual loss. В работе достаточно сравнить 2–3 архитектуры и выбрать лучшую по метрикам.

Где взять данные для обучения, если реальные иконы не выдают?

Используйте открытые датасеты: WikiArt, открытые коллекции музеев, а также искусственно состаривайте изображения — добавляйте шум, трещины, потертости, используя OpenCV. Главное — подробно описать методику подготовки данных в ВКР.

Какую метрику показать на защите?

Обязательно считайте PSNR и SSIM. Если модель генеративная — добавьте FID. Покажите также визуализацию: до/после. Замерьте время инференса — для практики это важно.

Нужно ли описывать ГОСТ в работе?

Если у вас есть раздел «Техническое задание», оформите его по ГОСТ 34.602. Это добавит вам баллов на нормоконтроле и покажет, что вы владеете инженерным подходом.

Темы ВКР, которые можно вытащить из этой статьи

• Тема 1. Разработка нейросетевого модуля для реставрации изображений древних икон.
  Актуальность: статья подтверждает социальную значимость, а вы создаете прототип, который можно показать.
  Цель: разработать модель восстановления повреждённых участков изображений.
  Задачи:
  1. Проанализировать существующие методы реставрации и ИИ-подходы.
  2. Подготовить датасет (исторические изображения + синтетические повреждения).
  3. Реализовать модель на базе U-Net или GAN.
  4. Оценить качество по PSNR/SSIM и сравнить с базовыми методами.
  Структура: глава 1 — теоретический анализ, глава 2 — проектирование и реализация, глава 3 — эксперименты и метрики.
• Тема 2. Проектирование пайплайна предобработки и аугментации изображений для культурного наследия.
  Актуальность: без качественных данных не работает ни одна нейросеть, а в музеях данные редки и разнородны.
  Цель: создать автоматический конвейер подготовки изображений для дальнейшего обучения модели.
  Задачи:
  1. Исследовать типичные дефекты икон и методы их имитации.
  2. Разработать скрипты для аугментации (трещины, царапины, выцветание).
  3. Интегрировать пайплайн с процессом обучения.
  4. Показать, как аугментация улучшает метрики итоговой модели.
  Структура: глава 1 — анализ предметной области, глава 2 — реализация конвейера, глава 3 — оценка влияния на качество.
• Тема 3. Оценка эффективности реставрационных моделей на основе ISO/IEC 25010 и метрик машинного обучения.
  Актуальность: после создания модели важно доказать, что она работает лучше существующих методов.
  Цель: разработать методику комплексной оценки качества восстановления изображений.
  Задачи:
  1. Определить характеристики качества по ISO/IEC 25010 (функциональность, производительность, надежность).
  2. Подобрать метрики (PSNR, SSIM, FID, время инференса).
  3. Провести тестирование на реальных и синтетических данных.
  4. Сравнить модель с классическими методами реставрации.
  Структура: глава 1 — теоретические основы, глава 2 — проектирование методики, глава 3 — эксперименты и рекомендации.

Как превратить статью в полноценные главы

1. Глава анализа: показать проблему и обосновать выбор

Статья дает вам готовый факт для введения и главы 1. Процитируйте данные о тысячах утраченных икон, отметьте, что ручная реставрация — штучный труд. Затем постройте дерево проблем и перейдите к задаче автоматизации. Здесь же уместно нарисовать UML-диаграмму вариантов использования: «Загрузить изображение», «Выделить поврежденную область», «Восстановить», «Сохранить результат». Это покажет комиссии системное мышление.

2. Проектирование: архитектура и стек

В главе проектирования опишите, как устроена система. Например, вход — изображение с повреждениями, выход — восстановленный фрагмент. В качестве базовой модели возьмите U-Net с ResNet-encoder. Для обучения — PyTorch. Приведите фрагмент кода, который можно вставить в пояснительную записку:

import torch
import torch.nn as nn

class UNet(nn.Module):
    def __init__(self, in_channels=3, out_channels=3):
        super().__init__()
        # упрощённая архитектура для примера
        self.encoder = nn.Sequential(
            nn.Conv2d(in_channels, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, 64, 3, padding=1),
            nn.ReLU()
        )
        self.decoder = nn.Sequential(
            nn.Conv2d(64, out_channels, 3, padding=1),
            nn.Tanh()
        )
    
    def forward(self, x):
        x = self.encoder(x)
        return self.decoder(x)

Не забудьте описать окружение: Docker-контейнер с CUDA, зависимости в requirements.txt. Для воспроизводимости это сразу плюс к качеству.

3. Тестирование и метрики

В третьей главе сравнивайте модели. Хорошая таблица — PSNR, SSIM для исходной модели, после аугментации, после fine-tuning. Покажите, как ваша нейросеть справляется с трещинами и потертостями. Приведите графики loss и валидационных метрик. Пример расчёта:

import cv2
import numpy as np
from skimage.metrics import peak_signal_noise_ratio, structural_similarity

def compute_metrics(original, restored):
    psnr = peak_signal_noise_ratio(original, restored, data_range=255)
    ssim = structural_similarity(original, restored, channel_axis=-1)
    return psnr, ssim

4. Выход в продакшн: Kubernetes и наблюдаемость

Для сильных работ добавьте раздел о развертывании сервиса. Опишите, как вы упаковали модель в Docker, запустили в Kubernetes и настроили сбор метрик через OpenTelemetry. Это выделит вас на защите, даже если научный руководитель не просил. Главное — свяжите это с надежностью сервиса и требованиями ГОСТ 34.602 к эксплуатационной документации.

Чему вы научитесь

• Проектировать ML-пайплайны для обработки изображений.
• Различать классические и генеративные методы реставрации и уметь их комбинировать.
• Оценивать качество моделей с помощью PSNR, SSIM, FID и интерпретировать результаты.
• Оформлять техническое задание и проектную документацию по ГОСТ 34.602.
• Разворачивать модель в Docker/Kubernetes и настраивать мониторинг с OpenTelemetry.

Что проверить перед сдачей

Типичные ошибки студентов

Поделиться опытом или получить поддержку

Источник: В РТУ МИРЭА создают нейросеть для сохранения древних икон (опубликовано 2026-03-17)

Нужна качественная работа, а не просто шаблон? Помощь с дипломом — это не только про текст, но и про эксперименты. Заказать диплом по ML — значит получить проработанную архитектуру, метрики и документацию. Решите, хотите ли вы сделать всё сами или довериться экспертам.

```