Universidad Industrial de Santander
Grupo de investigación de la Universidad Industrial de Santander dedicado a la innovación y excelencia en investigación científica
Líneas de investigación
Combinamos modelos físicos de formación de imagen con aprendizaje profundo.
Reconstrucción de escenas pasadas utilizando trazas térmicas y modelos de lenguaje visual para resolver problemas inversos temporales.
Visión computacional · Machine learning · Problemas inversos
Adquisición y reconstrucción de imágenes de alto rango dinámico (HDR) mediante sensores módulo, muestreo ilimitado y redes neuronales desplegadas (deep unrolling).
High Dynamic Range (HDR) · Unlimited Sampling · Deep Unrolled Networks
Noticias
· Evento Internacional
Investigadores del PI-Group presentarán sus avances en óptica computacional y problemas inversos en la 4.ª edición de WACCI 2026 (14–17 de diciembre, Pucón, Chile).
Leer noticia
· Semillero
Nos complace anunciar la publicación de nuestro primer trabajo en la editorial Nature, específicamente en la revista Scientific Data.
Leer noticia
· Semillero
Cooperación Internacional: Avances del PI-Group en GIPSA-Lab (Grenoble, Francia)
Leer noticiaPublicaciones
2026 IEEE International Conference on Image Processing (ICIP) · 2026
Kebin Contreras, Luis Toscano-Palomino, Mauro Dalla Mura, Jorge Bacca
Recuperar el pasado a partir de observaciones presentes es un desafío intrigante con aplicaciones potenciales en análisis forense y de escenas. Las imágenes térmicas, al operar en el rango infrarrojo, proporcionan acceso a información que de otro modo sería invisible. Dado que los seres humanos son típicamente más cálidos (~37 °C / 98.6 °F) que su entorno, interacciones como sentarse, tocar o apoyarse dejan huellas de calor residuales. Estas marcas que se desvanecen sirven como códigos temporales pasivos, permitiendo inferir eventos recientes que exceden las capacidades de las cámaras RGB. Proponemos un marco de reconstrucción invertida en el tiempo que utiliza imágenes RGB y térmicas emparejadas para recuperar estados de escenas de unos segundos antes. El enfoque propuesto acopla modelos de lenguaje visual (VLM) con un proceso de difusión restringido, donde un VLM genera descripciones de la escena y otro guía la reconstrucción de la imagen, garantizando consistencia semántica y estructural.
IEEE Transactions on Computational Imaging · 2026
Brayan Monroy, Jorge Bacca
Los sensores de imagen digital tradicionales sufren saturación de señal al capturar escenas con un rango dinámico muy alto (HDR), lo que causa valores de píxeles recortados y pérdida de detalles en áreas sobreexpuestas. Las imágenes módulo (MI) y el muestreo ilimitado superan esta limitación física al reiniciar cíclicamente la intensidad de la señal a cero cada vez que alcanza la capacidad máxima del pozo. Sin embargo, recuperar una imagen HDR a partir de observaciones módulo ruidosas constituye un problema inverso mal condicionado y no convexo. Formulamos la tarea de reconstrucción HDR como un problema de optimización con a prioris profundos, desplegado en una red neuronal profunda ('deep unrolled network') equipada con un desruidador convolucional ligero. Adicionalmente, introducimos una regularización por equivariancia de escala para permitir el ajuste fino autosupervisado, logrando una reconstrucción precisa y generalizable.
ArXiv · 2026
Brayan Monroy, Jorge Bacca
La captura de imágenes módulo permite registrar información de alto rango dinámico (HDR) envolviendo intensidades cuando saturan el umbral del sensor. No obstante, recuperar la imagen HDR original es un problema desafiante, ya que resulta difícil distinguir entre bordes naturales de la escena y discontinuidades espurias provocadas por el módulo. Proponemos un marco de restauración HDR basado en aprendizaje que integra regularización por equivariancia de escala para garantizar consistencia frente a variaciones de exposición, junto con un diseño de levantamiento de características ('feature lifting') que combina la observación módulo, diferencias finitas envueltas y una inicialización en forma cerrada.
XXV Symposium of Image, Signal Processing, and Artificial Vision (STSIVA) · 2025
Luis Toscano-Palomino, Kebin Contreras, Brayan Monroy, Jorge Bacca
Un método robusto de detección de objetos en condiciones de alta iluminación mediante imágenes módulo y aprendizaje profundo. Este trabajo aborda el problema de la detección de objetos bajo condiciones de iluminación extremas donde los métodos tradicionales fallan. Proponemos una arquitectura que utiliza imágenes módulo para preservar la integridad visual en escenarios de alta iluminación, mejorando significativamente la precisión de detección.
Contacto
¿Interesado en colaborar, realizar pasantías de investigación o conocer más sobre nuestros proyectos?
Universidad Industrial de Santander
Ak 27 #calle 9
Bucaramanga, Santander, Colombia
