VI INTERNATIONAL SYMPOSIUM ON INNOVATION AND TECHNOLOGY (SIINTEC) "Challenges in science, technology and innovation after COVID-19" ISSN: 2357-7592 IMAGE QUALITY ENHANCEMENT OF SCANNED PHOTOS: COMPARISON OF DEEP LEARNING TECHNIQUES Victor Rocha Santos b , Tiago Pagano b , Rafael Borges e , Lucas Kirsten e , Lucas Ortega c , Maíra Matos c , José Vinícius Paranhos d , Ingrid Winkler a , Erick Giovani Sperandio Nascimento a. a Dep. de Modelagem Computacional, Centro Universitário SENAI CIMATEC, Brasil b PPG em Modelagem Computacional e Tecnologia Industrial, Centro Universitário SENAI CIMATEC, Brasil c Grad. de Engenharia da Computação, Centro Universitário SENAI CIMATEC, Brasil d Téc. Desenvolvimento de Sistemas, Centro Universitário SENAI CIMATEC, Brasil e HP Inc., Brazil R&D Abstract: Currently, millions of photos are captured daily, and several factors can influence the quality of an image, causing distortions. Research has shown that there are several ways to remove defects from images. This study aims to comparatively analyze the potential of Deep Learning techniques to improve scanned images with shadow, glare, crumpled paper, external lightning, change of perspective and wave distortion defects. Based on a review of the literature on recent deep learning architectures, we have selected three, which were trained and refined to improve the quality of the images. The results indicate that the nets were able to attenuate and remove some defects. On this basis, these initial experiments demonstrate that deep learning models are promising for the studied defects. Keywords: Deep Learning; Image enhancement; Image denoising MELHORIA DA QUALIDADE DE IMAGEM DE FOTOS DIGITALIZADAS: COMPARAÇÃO DAS TÉCNICAS DE APRENDIZAGEM PROFUNDA Resumo: O objetivo deste trabalho é analisar comparativamente o potencial de técnicas de aprendizagem profunda para melhorar imagens digitalizadas com defeitos de sombra, reflexo de luz, papel amassado, luminosidade, mudança de perspectiva e ondulação. Com base em uma revisão da literatura sobre arquiteturas recentes de aprendizagem profunda, selecionamos três técnicas para remoção destes defeitos em imagens. Os resultados obtidos apontaram que as redes conseguiram atenuar alguns defeitos com intensidades variadas e, em alguns casos, removê-los. Conclui-se que estes experimentos iniciais demonstram que modelos de aprendizagem profunda são bastante promissores para a resolução de alguns dos defeitos estudados e que avanços significativos foram alcançados na melhoria da qualidade das imagens. Palavras-chave: Aprendizagem profunda; Melhoria da qualidade de imagens; Remoção de ruídos em imagens