This repository contains the full academic documentation and research artifacts produced during the development of MatForge App: a local Streamlit application for PBR map prediction from a single RGB image.
Language note: all documentation in this repository is written in Spanish, as it was submitted for academic evaluation at a Spanish institution.
| Folder / File | Contents |
|---|---|
01_introduccion.md |
Project overview, problem definition and specific objectives |
02_marco_teorico.md |
State of the art in SVBRDF estimation, model architecture theory, legal and ethical analysis (EU AI Act) |
03_marco_metodologico.md |
Development methodology (adapted SCRUM), toolchain, training environment, dataset pipeline |
04_resultados.md |
Quantitative results, benchmarking vs. Pix2Pix / DeepPBR / Materialize / Substance 3D Sampler, per-group evaluation |
05_conclusiones.md |
Conclusions by objective, identified limitations, future work proposals |
06_referencias.md |
Full bibliography |
anexos/ |
Training notebooks, benchmark notebooks, metrics CSVs, SCRUM backlog, development log |
investigaciones/ |
Technical research documents: model architecture, SR module, dataset analysis, GAN discriminator, benchmarking |
assets/ |
Figures and screenshots referenced in the documentation |
- MatForgeNet: custom encoder-decoder (PVT-v2-B1 + FPN) trained on 3,245 curated MatSynth textures. Final checkpoint performance: MAE Normal 10.37°, Roughness MAE 0.1117, LPIPS 0.0976 — all within target thresholds.
- Semantic relabeling pipeline: DINOv2-small + PCA-50 + UMAP + HDBSCAN reorganised the dataset into 8 functional material groups (DBCV = 0.3279).
- Benchmarking: MatForge outperforms Pix2Pix and DeepPBR on all common metrics and is competitive with Adobe Substance 3D Sampler on metallic materials.
- EU AI Act compliance: full legal analysis classifying MatForge as minimal-risk under Article 2(6), with preventive XMP provenance metadata in all exported PNGs.
- Training was conducted on Kaggle (T4×2 GPU) within the free tier. Training resources are publicly available:
The application itself — source code, installation instructions, model weights and user/technical manuals — is in the main repository:
gutierrezmigueljeronimo/MatForge-App
Developed as a final project (Intermodular Project) for the Postgraduate Programme in Artificial Intelligence and Big Data at EUSA — Cámara de Comercio de Sevilla (2025–2026).
Este repositorio contiene la documentación académica completa y los artefactos de investigación producidos durante el desarrollo de MatForge App: una aplicación Streamlit local para la predicción de mapas PBR a partir de una única imagen RGB.
Nota de idioma: toda la documentación de este repositorio está escrita en español, ya que fue presentada para evaluación académica en una institución española.
| Carpeta / Archivo | Contenido |
|---|---|
01_introduccion.md |
Descripción general del proyecto, definición del problema y objetivos específicos |
02_marco_teorico.md |
Estado del arte en estimación de SVBRDF, teoría de arquitecturas, análisis legal y ético (Reglamento UE de IA) |
03_marco_metodologico.md |
Metodología de desarrollo (SCRUM adaptado), stack tecnológico, entorno de entrenamiento, pipeline del dataset |
04_resultados.md |
Resultados cuantitativos, benchmarking frente a Pix2Pix / DeepPBR / Materialize / Substance 3D Sampler, evaluación por grupo funcional |
05_conclusiones.md |
Conclusiones por objetivo, limitaciones identificadas, propuestas de trabajo futuro |
06_referencias.md |
Bibliografía completa |
anexos/ |
Notebooks de entrenamiento y benchmarking, CSVs de métricas, backlog SCRUM, bitácora de desarrollo |
investigaciones/ |
Documentos técnicos de investigación: arquitectura del modelo, módulo SR, análisis del dataset, discriminador GAN, benchmarking |
assets/ |
Figuras y capturas referenciadas en la documentación |
- MatForgeNet: arquitectura encoder-decoder personalizada (PVT-v2-B1 + FPN) entrenada sobre 3.245 texturas curadas de MatSynth. Rendimiento del checkpoint final: MAE Normal 10,37°, Roughness MAE 0,1117, LPIPS 0,0976 — todos dentro de los umbrales definidos.
- Pipeline de relabeling semántico: DINOv2-small + PCA-50 + UMAP + HDBSCAN reorganizó el dataset en 8 grupos funcionales de material (DBCV = 0,3279).
- Benchmarking: MatForge supera a Pix2Pix y DeepPBR en todas las métricas comunes evaluadas y es competitivo con Adobe Substance 3D Sampler en materiales metálicos.
- Conformidad con el Reglamento UE de IA: análisis legal completo que clasifica MatForge como sistema de riesgo mínimo según el artículo 2(6), con metadatos XMP de procedencia implementados de forma preventiva en todos los PNG exportados.
- El entrenamiento se realizó en Kaggle (T4×2 GPU) dentro de la cuota gratuita. Los recursos de entrenamiento están disponibles públicamente:
La aplicación en sí —código fuente, instrucciones de instalación, pesos del modelo y manuales de usuario y técnico— está en el repositorio principal:
gutierrezmigueljeronimo/MatForge-App
Desarrollado como proyecto final (Proyecto Intermodular) del Postgrado en Inteligencia Artificial y Big Data en EUSA — Cámara de Comercio de Sevilla (2025–2026).