Felipe Vicentin

Estágio de Pesquisa em Engenharia de Imagem · DxO Labs

Boulogne-Billancourt, França

• Pesquisei fusão multi-frame baseada em aprendizado para redução de ruído e demosaicking conjuntos em rajadas de imagens, no laboratório de pesquisa da DxO, desenvolvendo código com PyTorch (CUDA), NumPy, OpenCV e matplotlib.
• Construí um pipeline de geração de rajadas sintéticas em RGB e RAW, transformando um dataset público de imagens em rajadas multi-frame com ground truth através de unprocessing (reverse-ISP), mosaicagem Bayer, simulação de movimento de mão e um modelo de ruído de sensor shot/read.
• Escrevi uma implementação em GPU do ECC, em lote e coarse-to-fine, rápida o suficiente para rodar dentro do loop de treinamento, e derivei uma métrica de qualidade de alinhamento sem referência a partir de uma estatística qui-quadrado normalizada pelo ruído.
• Construí o pipeline de geração de rajadas sintéticas por trás de todo o treinamento (rajadas multi-frame com ground truth, do unprocessing e mosaicagem Bayer à simulação de movimento de mão e ruído de sensor), e escrevi uma implementação em GPU do algoritmo de alinhamento ECC rápida o suficiente para rodar dentro do loop de treinamento.
• Treinei modelos U-Net para rajadas com uma ablação controlada (single-frame, sem alinhamento, com alinhamento oracle e estimado): a fusão multi-frame alinhada ganhou 3-5 dB de PSNR sobre uma baseline single-frame idêntica, enquanto o modelo sem alinhamento empatou com ela, isolando a qualidade do registro — e não a capacidade do modelo — como origem do ganho.
• Posição de tempo integral (35 h/semana) por 6 meses, equivalente ao estágio de conclusão do mestrado no sistema francês.

Iniciação Científica (financiada pela FAPESP) · Unicamp, IMECC

Campinas, Brasil

• Pesquisei ordens parciais e reticulados em cadeias finitas, sob orientação do Prof. Peter Sussner (IMECC - Unicamp).
• Desenvolvi provas rigorosas sobre a contagem e construção de ordens admissíveis de intervalos em cadeias finitas, publicado como "On counting and constructing all admissible orders of the non-empty intervals in any finite chain", Fuzzy Sets and Systems, 2025 (DOI: 10.1016/j.fss.2025.109372).

On counting and constructing all admissible orders of the non-empty intervals in any finite chain

Estágio em Engenharia de Dados · Dextra Systems

Campinas, Brasil

• Estágio de 1 ano em consultoria de TI de grande porte, como único estagiário de um time ágil que atendia clientes corporativos de setores que iam do alimentício ao bancário.
• Construí pipelines em PySpark e Delta Lake sobre um Data Lake em camadas (ingestão, anonimização para conformidade com a LGPD, padronização, KPIs) para dados de conversas, executados no GCP com Airflow, Cloud Storage, BigQuery e Dataproc, em ambientes separados de produção e homologação.
• Entreguei pipelines em produção para 4 clientes corporativos e mais de 15 KPIs, incluindo uma camada de ML com LDA para modelagem de tópicos sobre o texto tratado.

Mestrado (M2), MVA (Matemática, Visão, Aprendizado)

Université Paris-Saclay, ENS Paris-Saclay · Paris, França

• Mestrado de pesquisa seletivo em matemática, visão e aprendizado, cursado como duplo diploma entre Unicamp e IP-Paris.
• Aprendizado de Representações, Otimização Convexa, Transporte Ótimo, Modelos Gráficos Probabilísticos, Aprendizado Profundo Geométrico, Métodos de Kernel.
• Modelos Generativos para Imagens, Treinamento e Implantação de Modelos em Larga Escala, Aprendizado Profundo Avançado, Séries Temporais, Aprendizado por Reforço.

Disciplinas sobre as quais escrevi

• transporte ótimo
• otimização convexa
• análise funcional

Mestrado em Engenharia (Diplôme d'Ingénieur)

Institut Polytechnique de Paris, Télécom Paris · Palaiseau, França · Nota 16,3 / 20

• Bolsa de excelência Alumni.
• Modelos Lineares, Aprendizado de Máquina, Métodos Variacionais e Bayesianos e Otimização Discreta, Aprendizado de Imagens e Reconhecimento de Objetos, Estatística, Visão 3D e Vídeo.

Bacharelado em Ciência da Computação

Universidade Estadual de Campinas (Unicamp) · Campinas, Brasil · Nota 9,34 / 10

• Cálculo, Álgebra Linear, Matemática Discreta, Banco de Dados, Análise de Algoritmos, Estruturas de Dados, Sistemas Operacionais, Introdução à Criptografia.

Curso Técnico em Informática

Colégio Técnico de Campinas (COTUCA) · Campinas, Brasil

vicentin

• Biblioteca Python com arquitetura dual-backend que alterna de forma transparente entre NumPy e PyTorch conforme os dados de entrada, habilitando diferenciação automática e uso de GPU sem mudança de API.
• Implementações próprias em otimização (Newton, barreira, proximal/ISTA), aprendizado de máquina (SVM, PCA, métodos de kernel) e deep learning (VAE, WGAN), além de reimplementações de artigos (Grad-CAM, SimCLR).

LAFTR multi-categórico

• Implementação do modelo LAFTR estendendo suas capacidades para contextos multi-categóricos. Supervisionado pelo Prof. Loïc Le Folgoc.
• Aprende representações que continuam preditivas ao mesmo tempo em que tornam um atributo protegido difícil de recuperar — o problema central por trás de auditoria de fairness em sistemas de decisão de crédito e risco.

Restauração de imagens

• Implementação de técnicas variacionais (Tychonov e Variação Total) para reverter núcleos de transformação em imagens ruidosas, em PyTorch e NumPy. Supervisionado pelo Prof. Arthur Leclaire.