Projektový seminár

Diplomová práca

Téma: Identifikácia škvŕn na historickom papieri pre reštaurovanie

Študent: Bc. Filip Tuch

Email: tuch1 at uniba.sk

Školiteľ: doc. RNDr. Zuzana Černeková, PhD.

Email: zuzana.cernekova at fmph.uniba.sk

PRÁCA

prezentácia

Ciele/výsledky Projektový seminár 1:

(február-máj 2026) Rešerš existujúcich metód identifikácie mikroorganizmov na papieri/kultúrach, rešerš metód na klasifikáciu a augmentáciu dát. ✓

(marec 2026) Vytvorenie datasetu a prvotná klasifikácia (12 tried baktérií a plesní). ✓

(apríl 2026) Experimentovanie s technikami augmentácie pre nevyvážené dáta. ✓

(apríl-máj 2026) Analýza vernosti reštaurovania a rizika halucinácií v hlbokých sieťach. ✓

Kľúčové vedecké články

Názov: Web-based diagnostic platform for microorganism-induced deterioration on paper-based cultural relics with iterative training from human feedback
Autori: Liu, Chenshu; Ben, Songbin; Liu, Chongwen; Li, Xianchao; Meng, Qingxia; Hao, Yilin; Jiao, Qian; Yang, Pinyi
Dátum: Máj 2024
Žurnál: Heritage Science
DOI: 10.1186/s40494-024-01267-5

Názov: Advancing mold identification in the routine laboratory, performance of smartphone-based imaging and a newly developed convolutional neural network
Autori: Lukas Weber; Sarah Brueningk; Bettina Schulthess; Gloria Stillhart; Michelle Bressan; Nadja Pulver-Vontobel; Jasmin Schimetzki; Rosmi Puthan; Andrea Egli-Berini; Oliver Nolte; Adrian Egli
Dátum: Február 2026
Žurnál: Microbiology Spectrum s. e02924-25
DOI: 10.1128/spectrum.02924-25

Kompletný zoznam literatúry

Deng, X. et al. (2025): Mold spot detection for paper artifacts based on multimodal feature fusion. npj Heritage Science. DOI: 10.1038/s40494-025-02102-1

Nordin, H. et al. (2025): Automated mold defects classification in paintings: A comparison of machine learning and rule-based techniques. PLOS ONE, s. 1-18. DOI: 10.1371/journal.pone.0316996

Ali, I. & Ayu, E. S. (2025): Towards AI-Assisted Preventive Conservation in Libraries: Deep Learning for the Detection of Insect and Mold Damage in Ancient Manuscripts. Preservation, Digital Technology & Culture, s. 319-327. DOI: 10.1515/pdtc-2025-0041

Li, M. et al. (2024): High-Fidelity Document Stain Removal via A Large-Scale Real-World Dataset and A Memory-Augmented Transformer. WACV 2025, s. 7614-7624.

Lo, S. W. et al. (2024): Joint variation and ZhuYin dataset for Traditional Chinese document enhancement. Scientific Data, s. 1295. DOI: 10.1038/s41597-024-04146-7

Vögtlin, L. et al. (2023): DIVA-DAF: A Deep Learning Framework for Historical Document Image Analysis. HIP '23, s. 61-66. DOI: 10.1145/3604951.3605511

Arnia, F. et al. (2021): DCNET: Noise-Robust Convolutional Neural Networks for Degradation Classification on Ancient Documents. Journal of Imaging, s. 114. DOI: 10.3390/jimaging7070114

El Jaddaoui, I. et al. (2023): Mold in Paradise: A Review of Fungi Found in Libraries. Journal of Fungi, s. 1061. DOI: 10.3390/jof9111061

Campagnolo, A. et al. (2019): Laberculae Vivae: Building a Reference Library of Stains for Medieval and Early Modern Manuscripts. Manuscript Studies, s. 401-416. DOI: 10.1353/mns.2019.0018

Ciele Projektový seminár 2:

(jún-september 2026) Rozšírenie datasetu o reálne vzorky v spolupráci s VŠVU a SAV.

(október-december 2026) Implementácia pokročilých architektúr (Few-shot learning, DeiT, ...).

(január 2026) Vývoj finálnej aplikácie pre konzervátorov.

(február 2026) Experimentálne vyhodnotenie úspešnosti na neznámych dokumentoch.

(marec-máj 2026) Písanie práce.

Progress report: