СТИЛИЗАЦИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Авторы:
1.
Казанский национальный исследовательский технический университет имени А. Н. Туполева-КАИ
Россия
Россия
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
(Кафедра автоматизированных систем обработки информации и управления)
студент
Россия
студент
Россия
3.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
(Институт компьютерных технологий и защиты информации, Директор института)
сотрудник
Россия
сотрудник
Россия
4.
Казанский национальный исследовательский технический университет имени А. Н. Туполева-КАИ
Россия
Россия
Тип:
Статья
Страницы:
с 108
по 114
Статус:
Опубликован
Получено:
24.12.2025
Одобрено:
25.12.2025
Опубликовано:
25.12.2025
Язык материала:
русский
Ключевые слова:
ОБРАБОТКА ИЗОБРАЖЕНИЙ, СТИЛИ ИЗОБРАЖЕНИЙ, ХАРАКТЕРИСТИКИ СТИЛЯ, СТИЛИЗАЦИЯ ИЗОБРАЖЕНИЙ, ГЕНЕРАЦИЯ СТИЛИЗОВАННЫХ ИЗОБРАЖЕНИЙ, ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫЕ СЕТИ, ОЦЕНКИ КАЧЕСТВА СТИЛИЗАЦИИ ИЗОБРАЖЕНИЙ
Аннотация (русский):
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.
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.
Ключевые слова:
ОБРАБОТКА ИЗОБРАЖЕНИЙ, СТИЛИ ИЗОБРАЖЕНИЙ, ХАРАКТЕРИСТИКИ СТИЛЯ, СТИЛИЗАЦИЯ ИЗОБРАЖЕНИЙ, ГЕНЕРАЦИЯ СТИЛИЗОВАННЫХ ИЗОБРАЖЕНИЙ, ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫЕ СЕТИ, ОЦЕНКИ КАЧЕСТВА СТИЛИЗАЦИИ ИЗОБРАЖЕНИЙ
ОБРАБОТКА ИЗОБРАЖЕНИЙ, СТИЛИ ИЗОБРАЖЕНИЙ, ХАРАКТЕРИСТИКИ СТИЛЯ, СТИЛИЗАЦИЯ ИЗОБРАЖЕНИЙ, ГЕНЕРАЦИЯ СТИЛИЗОВАННЫХ ИЗОБРАЖЕНИЙ, ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫЕ СЕТИ, ОЦЕНКИ КАЧЕСТВА СТИЛИЗАЦИИ ИЗОБРАЖЕНИЙ
