📦 Denoising Autoencoders in R (Keras/TensorFlow)

🇬🇧 English Version

Image denoising using convolutional autoencoders implemented in R with keras and tensorflow, leveraging GPU acceleration.

This project demonstrates how to implement a convolutional autoencoder to denoise images corrupted with Gaussian noise, using MNIST (grayscale) and CIFAR-10 (RGB) datasets.
It was developed as part of a university exam project.

---

🔍 Overview

• Language: R
• Framework: Keras + TensorFlow
• Architecture: Symmetric Convolutional AutoEncoder
• Datasets:
  • MNIST (28×28 BW)
  • CIFAR-10 (32×32 RGB)
• Noise: Gaussian Noise, various levels of σ
• Evaluation metrics: PSNR and SSIM
• Goal: reconstruct images with high fidelity to the original

---

⚙️ Requirements

Make sure you have:

• R ≥ 4.3
• Conda with an environment containing R + TensorFlow
• GPU with CUDA support (optional but recommended for faster training)

---

🧠 AutoEncoder Model

• Encoder: 3 convolutions + max pooling
• Dropout: to reduce overfitting risk
• Latent space
• Decoder: 3 transposed convolutions + upsampling
• Output: tanh, with images normalized in [-1, 1]

---

🖼️ Visual Results

MNIST - σ = 0.392 - PSNR = 26.47dB

CIFAR10 - σ = 0.392 - PSNR = 24.32dB

---

📈 Experimental Results

Dataset	Sigma (σ)	PSNR	Epochs
MNIST	0.1	33.66 dB	118
MNIST	0.196	29.66 dB	256
MNIST	0.392	26.47 dB	175
CIFAR-10	0.1	28.44 dB	169
CIFAR-10	0.196	26.63 dB	200
CIFAR-10	0.392	24.32 dB	129

Sigma represents the noise intensity. Values 0.196 and 0.392 correspond to standard deviations of 25 and 50 respectively, scaled as (sigma / 256) * 2 due to normalization in the [-1, 1] range.

⚠️ Values are averaged over 10,000 test images using mean PSNR.

---

📂 Repository Structure

.
├── mnist_denoising.R
├── cifar10_denoising.R
├── results/
│   ├── ...
├── LICENSE
└── README.md

A detailed report and additional statistical analyses (PCA, statistical tests, etc.) were produced, but are not included in this repo.

---

Hardware & Development Environment

• GPU: NVIDIA RTX 4070 Super
• CPU: Intel Core i5 14600KF
• Training time MNIST: ~8ms/step
• Others: CUDA and cuDNN

---

Syntetic Plot (All Results)

---

📄 License

This project is licensed under the MIT License. See the LICENSE file for details.

---

🇮🇹 Versione Italiana

Denoising di immagini mediante reti neurali convoluzionali (AutoEncoder) implementate in R, usando keras e tensorflow con supporto GPU.

Questo progetto mostra come realizzare un modello di autoencoder per il denoising di immagini contaminate da rumore gaussiano, con dataset MNIST (immagini BW) e CIFAR-10 (immagini RGB).
In particolare si tratta del frutto del lavoro di alcuni mesi, per la preparazione dell'esame di un corso universitario.

---

🔍 Overview

• Linguaggio: R
• Framework: Keras + TensorFlow
• Architettura: AutoEncoder convoluzionale simmetrico
• Dataset:
  • MNIST (28×28 BW)
  • CIFAR-10 (32×32 RGB)
• Rumore: Gaussian Noise, con vari livelli di σ
• Metriche di valutazione: PSNR e SSIM
• Obiettivo: restituire immagini ricostruite con alta fedeltà rispetto all’originale

---

⚙️ Requisiti

Assicurati di avere:

• R ≥ 4.3
• Conda con un environment R + TensorFlow
• GPU con supporto CUDA (opzionale, ma consigliato per un allenamento della rete più veloce)

---

🧠 Modello di AutoEncoder

• Encoder: 3 convoluzioni + max pooling
• Dropout: diminuizione del rischio di overfitting
• Latent space
• Decoder: 3 convoluzioni trasposte + upsampling
• Output: tanh, immagini normalizzate in [-1, 1]

---

🖼️ Risultati visivi

MNIST - σ = 0.392 - PSNR = 26.47dB

CIFAR10 - σ = 0.392 - PSNR = 24.32dB

---

📈 Risultati durante sperimentazioni

Dataset	Sigma (σ)	PSNR	Epochs
MNIST	0.1	33.66 dB	118
MNIST	0.196	29.66 dB	256
MNIST	0.392	26.47 dB	175
CIFAR-10	0.1	28.44 dB	169
CIFAR-10	0.196	26.63 dB	200
CIFAR-10	0.392	24.32 dB	129

Sigma rappresenta l'intensità di rumore applicato alle immagini. Il rumore in questione è bianco additivo, ovvero aggiunge un noise realistico (no pattern o strutture spaziali particolari), aggiungendo il valore di ogni pixel ad un epsilon campionato da una distribuzione normale standard centrata nello zero e con varianza uguale proprio al sigma.
I valori 0.196 e 0.392 sono equivalenti ad un sigma, rispettivamente, uguale a 25 e 50, calcolato come: (sigma / 256) * 2, in modo da considerare che le immagini sono normalizzate in un range di 2 ([-1, 1])

⚠️ I valori sono mediati su 10.000 immagini test, calcolati tramite mean PSNR

---

📂 Struttura del repository

.
├── mnist_denoising.R
├── cifar10_denoising.R
├── results/
│   ├── ...
├── LICENSE
└── README.md

Per questo progetto è stato elaborato anche un report/tesina, con presentazione, oltre ad una serie di analisi statistiche aggiuntive (PCA, test statistici, ...) omessi in questo repo.

---

Setup hardware e ambiente di sviluppo

• GPU: NVIDIA RTX 4070 Super
• CPU: Intel Core i5 14600KF
• Training time MNIST: ~8ms/step
• Others: CUDA e cuDNN

---

Grafico Sintetico (Tutti i Risultati)

---

📄 Licenza

Questo progetto è distribuito sotto licenza MIT. Vedi il file LICENSE per i dettagli.