Tecniche di IA Generativa per l'arricchimento di dataset di immagini

Negli ultimi anni, i sistemi di Deep Learning hanno assunto un ruolo centrale in numerosi ambiti. L'evoluzione delle architetture neurali ha portato allo sviluppo di modelli sempre più complessi e performanti, i quali tuttavia richiedono dataset di addestramento composti anche da decine di milioni di immagini In molti contesti reali non è possibile raggiungere tali numerosità, sia per i costi elevati in termini di tempo e denaro per l'acquisizione e l'annotazione, sia talvolta per la natura specifica del dominio applicativo. Negli ultimi anni, l'emergere dei modelli generativi ha aperto nuove prospettive nell'ambito della data augmentation, consentendo la produzione di dati sintetici realistici e coerenti. Questa tesi, che costituisce la relazione del tirocinio svolto da novembre 2025 a febbraio 2026 presso l'Istituto di Scienza e Tecnologie dell'Informazione del Consiglio Nazionale delle Ricerche (ISTI-CNR) di Pisa nell'ambito del progetto europeo FAITH, di cui ISTI-CNR è il leader del sottoprogetto pilota sul trasporto pubblico, si concentra sulla progettazione, implementazione e validazione di un processo di data augmentation avanzata basato su modelli di intelligenza artificiale generativa, con il duplice obiettivo di ampliare numericamente un dataset esistente e al contempo sviluppare una metodologia controllata e riproducibile per la generazione di immagini sintetiche realistiche e coerenti da integrare in contesti visivi reali.