кандидат технических наук;
candidate of technical sciences;
кандидат технических наук;
candidate of technical sciences;
В настоящее время активно развиваются и широко внедряются технологии генеративного искусственного интеллекта. Данные технологии применяются для решения различных задач во многих сферах человеческой деятельности, в том числе для стилизации изображений в цифровом искусстве, дизайне, рекламе, развлечениях и других областях. Стилизация изображений заключается в трансформации его содержания с сохранением семантической структуры, но с изменением визуального стиля, заданного образцом или параметрами модели. Для генерации изображений применяются различные методы, из которых в статье рассмотрены нейронный перенос стиля, вариационные автокодировщики, генеративно-состязательные сети и дифузионные модели. Результаты их анализа показали, что наилучшим подходом для создания художественно стилизованных изображений является применение генеративно-состязательных сетей. Существует ряд архитектур таких сетей, среди которых были исследованы Pix2Pix, CycleGAN, StyleGAN, StarGANv и UGATIT. Их сравнительный анализ показал, что архитектура CycleGAN наилучшим образом удовлетворяет требованиям задачи стилизации изображений в стиле конкретного художника. Она не требует парных данных, демонстрирует устойчивость к различию структур изображений, и обеспечивает стабильное и воспроизводимое обучение. В совокупности эти преимущества делают CycleGAN предпочтительным выбором для построения системы художественной стилизации. Для проведения экспериментов была разработана система стилизации изображений, обученная на наборе изображений с копиями произведений Винсента Ван Гога, Клода Моне, Анри Матисса, Ивана Айвазовского и Ильи Репина. Эти авторы были выбраны по совокупности критериев: популярность, узнаваемость стиля, жанровое разнообразие и наличие достаточного числа цифровых копий работ. Для оценки качества сгенерированных изображений были использованы метрики Kernel Inception Distance, Inception Score и Contrastive Language-Image Pretraining based cosine similarity. Результаты экспериментов показали, что генеративные модели демонстрируют потенциал в имитации общих черт художественных стилей. Однако для достижения более высокого уровня достоверности и точности необходимо проведение дальнейших исследований по их адаптации к заданным стилям.
Currently, generative artificial intelligence technologies are being actively developed and widely implemented. These technologies are used to solve various tasks in many areas of human activity, including image stylization in digital art, design, advertising, entertainment, and other fields. Image stylization consists in the transformation of its content while maintaining the semantic structure, but with a change in the visual style set by the sample or model parameters. Various methods are used to generate images, of which neural style transfer, variational autoencoders, generative-adversarial networks and diffusion models are considered in the article. The results of their analysis showed that the best approach for creating artistically stylized images is the use of generative-adversarial networks. There are a number of such network architectures, among which Pix2Pix, CycleGAN, StyleGAN, StarGANv and UGATIT have been investigated. Their comparative analysis showed that the CycleGAN architecture best meets the requirements of the task of stylizing images in the style of a particular painter. It does not require paired data, demonstrates resilience to different image structures, and provides stable and reproducible learning. Taken together, these advantages make CycleGAN a preferred choice for building an artistic stylization system. To conduct the experiments, an image stylization system was developed, trained on a set of images with copies of artworks by Vincent Van Gogh, Claude Monet, Henri Matisse, Ivan Aivazovsky and Ilya Repin. These authors were selected based on a set of criteria: popularity, recognition of style, genre diversity and the availability of a sufficient number of digital copies of artworks. Metrics were used to evaluate the quality of image generation. To evaluate the quality of generated images, metrics such as Kernel Inception Distance, Inception Score, and Contrastive Language-Image Pretraining based cosine similarity were used. The experimental results showed that generative models demonstrate the potential to mimic common features of artistic styles. However, in order to achieve a higher level of reliability and accuracy, further research is needed to adapt them to the given styles.