20.500.12556/RUL-187049 Generativna vslikava očesnih okluzij za robustno segmentacijo beločnice Generative Inpainting of Ocular Occlusions for Robust Sclera Segmentation Zanesljivost biometričnih sistemov na podlagi beločnice je neposredno odvisna od natančne segmentacije očesne regije. Čeprav globoki segmentacijski modeli pri tej nalogi dosegajo visoko natančnost v nadzorovanih pogojih, je njihova praktična uporabnost pogosto omejena zaradi domenskega razkoraka med razpoložljivimi laboratorijskimi učnimi podatki in bolj kompleksnimi okoliščinami resničnega sveta. Eden glavnih vzrokov za nižjo robustnost segmentacije na realnih podatkih je delna prekritost oziroma okluzija oči. V tem delu omenjeno problematiko rešujemo z generativnim bogatenjem podatkov, kjer s pomočjo difuzijskega modela v visokokakovostne laboratorijske očesne slike zbirke SBVPI vslikamo fotorealistične okluzije ter tako obogateno množico uporabimo za učenje segmentacijskih modelov. Evalvacija na zahtevni zbirki MOBIUS pokaže, da vslikava sintetičnih okluzij deluje kot učinkovita metoda regularizacije. Segmentacijski modeli osvojeno znanje namreč uspešno prenesejo na resnične primere okluzij in posledično dosegajo bistveno višjo natančnost ter robustnost v primerjavi z osnovnim segmentacijskim modelom, učenim izključno na originalnih fotografijah brez generiranih okluzij. The reliability of sclera-based biometric systems directly depends on the precise segmentation of ocular regions. Although deep segmentation models achieve high accuracy in this task under controlled conditions, their practical applicability is often limited by the domain gap between available laboratory-acquired training data and more complex real-world conditions. One of the main causes of lower segmentation robustness on real-world data is partial coverage, or occlusion, of the eye. In this work, we address this issue through generative data augmentation. By leveraging diffusion models, we inpaint photorealistic occlusions into high-quality laboratory ocular images from the \mbox{SBVPI} dataset and utilize the augmented dataset to train segmentation models. Evaluation on the challenging MOBIUS dataset demonstrates that inpainting synthetic occlusions serves as an effective regularization method. The segmentation models successfully transfer the acquired knowledge to real-world instances of occlusions, achieving higher accuracy and robustness compared to the baseline segmentation model trained exclusively on original images without generated occlusions. Generativni modeli Sintetično bogatenje podatkov Difuzijski modeli Semantična segmentacija Slikovna biometrija Generative models Synthetic data augmentation Diffusion models Semantic segmentation Image based biometry true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-09-08 16:10:03 2026-09-08 16:10:14 2026-09-09 04:22:32 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38741 Golcar_Izidor_-_Generativna_vslikava_ocesnih_okluzij_za_robustno_segmentacijo_belocnice.pdf Golcar_Izidor_-_Generativna_vslikava_ocesnih_okluzij_za_robustno_segmentacijo_belocnice.pdf 1 6965507913C08A79EF12A56287B22B2C 9a219848e469aef7d8badbac2047ad4bbafb098b77704f0cf581587955a2a6ef fde2f6dd-ab8e-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=246482 Fakulteta za računalništvo in informatiko 0 0 0