L'articolo "Neuro-Symbolic Scene Graph Conditioning for Synthetic Image Dataset Generation", realizzato a partire dalla tesi magistrale di Giacomo Savazzi - ora studente di dottorato in Ingegneria dell’Informazione all'AIRLab del Politecnico di Milano - e supervisionato da Eugenio Lomurno, Cristian Sbrolli, Agnese Chiatti e dal Prof. Matteo Matteucci è stato premiato con il Leonardo Fibonacci Best Paper Award durante la International Conference on Machine Learning, Optimization, and Data Science.
La ricerca, svoltasi interamente presso l'AIRLab del Politecnico di Milano, ha investigato l'impiego di approcci neuro-simbolici per la generazione di dataset sintetici di immagini. Il lavoro propone un metodo innovativo che integra conoscenze simboliche strutturate – sotto forma di grafi che rappresentano oggetti e le loro relazioni spaziali e semantiche – nel processo di generazione delle immagini, permettendo di codificare esplicitamente vincoli relazionali difficilmente catturabili con approcci convenzionali.
I risultati dimostrano che i dati sintetici generati con questo approccio, pur presentando una qualità percettiva inferiore se valutati singolarmente, forniscono informazioni strutturali complementari che arricchiscono significativamente i dataset reali quando utilizzati per l'augmentation. Questo permette di ottenere miglioramenti nelle metriche di performance, superando le metodologie tradizionali di generazione e aprendo nuove prospettive per affrontare la scarsità di dati anche in compiti complessi di ragionamento visivo.