CC BY
80
5. Kharenko E.N., Yaricheskaya N.N., Yudina S.B./ Technology of functional products for gerodietetic nutrition: textbook. - St. Petersburg. : Lan, 2019. - 204 p. - (Textbooks for universities. Special literature). - ISBN 978-5-811434 43-5: B. c.
6. Yudina S.B. Technology of functional food products [Text]/ Yudina S.B.-Moscow: Lan, 2018-280 p.
©Батурина В.А., 2023
УДК 62
Голышева Е.Н., Медведев А.А., Масалитин Н.С.
Бакалавры 1 курса института инженерных и цифровых технологий
НИУ «БелГУ»
Научный руководитель: Ильинская Е.В.
канд. экон. наук, доцент Белгородский государственный университет,
г. Белгород, РФ
ОСНОВНЫЕ ПОДХОДЫ К ГЕНЕРАЦИИ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Благодаря развитию глубокого обучения и искусственного интеллекта, нейросети стали мощным инструментом, позволяющим генерировать новые оригинальные изображения. В данной статье рассматривается тема генерации изображений с использованием нейронных сетей, ключевые аспекты использования нейросетей и обсуждаются перспективы развития. В заключении подводятся итоги и указываются перспективные направления для дальнейших исследований в области генерации изображений с помощью нейронных сетей.
Ключевые слова:
Нейронные сети, генерация изображений, глубокое обучение, условная генерация,
генеративно-состязательные сети.
Генерация изображений с помощью нейронных сетей — это новый и быстро развивающийся способ создания изображений. Нейросети могут создавать изображения, которые не только соответствуют определенным требованиям, но и являются неповторимыми. Это связано с тем, что нейросети обучаются на больших наборах данных изображений, которые позволяют им распознавать закономерности в изображениях.
В данной статье мы рассмотрим основные принципы работы нейронных сетей для генерации изображений, а также их применение в различных областях.
Нейронные сети могут быть использованы для генерации изображений из текстовых описаний или существующих изображений:
1. Генерация изображений на основе текстового описания - в этом случае нейронная сеть получает на вход текстовое описание изображения, которое она затем пытается воспроизвести.
2. Генерация изображений на основе существующих изображений - в этом случае нейронная сеть получает на вход существующее изображение, которое она затем пытается изменить или дополнить.
Далее мы подробнее рассмотрим каждый тип генерации изображений. Для начала ознакомимся с генерацией изображений на основе текстового описания.
В этом случае нейронная сеть получает на вход текстовое описание изображения, которое она затем пытается воспроизвести. Например, если пользователь вводит описание "белая собака с пушистым хвостом", нейронная сеть может сгенерировать изображение белой собаки с пушистым хвостом.
Чтобы сделать это, нейронная сеть сначала анализирует текстовое описание и определяет основные характеристики изображения, такие как цвет, форма и расположение объектов. Затем она использует эти характеристики для создания нового изображения.
Наиболее знаменитый подход к генерации изображений при помощи текстового описания является метод, который основан на применении генеративных состязательных сетей (GAN). GAN отделяется на две нейронной сети: генератор и дискриминатор. Генератор получает изложение изображения при помощи текста и стремится его воспроизвести. Дискриминатор же изображение, определяя действительное ли оно. Обе нейросети обучаются одновременно, и генератор стремится формировать иллюстрации, у которых будет трудно вычислить на подлинность. Данная операция будет проводиться столько, сколько понадобится генератору на создание качественных изображений, которые будет сложно отличить от действительных
Генерация изображений на основе текстового описания является сложной задачей, поскольку нейронная сеть должна быть способна понять и интерпретировать естественный язык. Однако, современные нейронные сети способны генерировать изображения, которые часто неотличимы от реальных.
Так, используя несколько нейросетей, таких как Catalog.ngc.nvidia и Dezgo, по запросу «черный кот с гетерохромией в горах» мы получили изображения, представленные на рисунке 1.
Рассмотрим тип генерации изображений на основе существующих изображений.
В этом случае нейронная сеть получает на вход существующее изображение, которое она затем пытается изменить или дополнить. Например, нейронная сеть может добавить на изображение новый объект или изменить его цвет.
Чтобы сделать это, нейронная сеть сначала анализирует исходное изображение и определяет его основные характеристики. Затем она использует эти характеристики для создания нового изображения.
Наиболее известным подходом к генерации изображений на основе уже существующих является подход, основанный на использовании циклических генеративных состязательных сетей (Сус^А^. CycleGAN разделяется на две нейронные сети: генератор и дискриминатор. Генератор получает изображение одного типа и стремится преобразовать в изображение другого типа. Дискриминатор получает изображение одного типа, которое он пытается определить, реальное ли оно.
Генерация изображений на основе существующих изображений является более простой задачей, чем генерация изображений на основе текстового описания, поскольку нейронная сеть не должна понимать естественный язык.
Так, используя нейросеть Imagine.art, на основе изображений, сгенерированных нейросетями, в
Рисунок 1 - Пример генерация изображений на основе текстового описания
последнем примере сгенерировали абсолютно новые изображения, поменяв им стиль (рис.2).
Рисунок 2 - Пример генерация изображений на основе существующих изображений
На сегодняшний день нейронные сети способны генерировать изображения, которые часто неотличимы от реальных. Однако, у них по-прежнему есть ряд недостатков, которые ограничивают их возможности.
Одним из основных направлений развития нейросетей для генерации изображений является улучшение качества генерируемых изображений. Для этого исследователи работают над созданием более разнообразных наборов данных для обучения нейронных сетей, разработкой новых архитектур нейросетей, способных генерировать более масштабные изображения и использование методов машинного обучения для улучшения качества генерируемых изображений.
Кроме того, нейронные сети могут быть подвержены предвзятости данных, на которых они обучаются. Для снижения предвзятости нейросетей исследователи работают над использованием более сбалансированных наборов данных для обучения нейронных сетей и разработкой новых методов обучения.
Помимо улучшения качества и снижения предвзятости, нейросети для генерации изображений могут развиваться и в других направлениях. Например, исследователи работают над созданием нейросетей, которые могут генерировать изображения в реальном времени, а также над созданием нейросетей, которые могут генерировать изображения в трехмерном формате.
В целом, перспективы развития генерации изображений с помощью нейронных сетей являются очень многообещающими. Нейросети уже сейчас используются в различных приложениях, и в будущем их возможности будут только расширяться.
Нейросети для создания изображений обладают огромным потенциалом и множеством областей применения. Они могут использоваться для разработки уникальных и творческих дизайнов, создания графики для видеоигр, а также для генерации изображений в медицинских и научных исследованиях. Нейронные сети позволяют создавать новые формы искусства и медиаконтента, которые ранее были невозможны. С учетом данных преимуществ, нейросети для генерации изображений имеют огромные перспективы развития и могут принести значительные выгоды в различных областях.
С использованием нейронных сетей мы создали изображения в разных стилях. Мы использовали методы GAN и CycleGAN, которые позволяют генерировать изображения на основе текста или существующих изображений. Нейронные сети для генерации изображений - это мощный инструмент, который может создавать и изменять изображения на основе имеющихся данных. С развитием искусственного интеллекта и глубокого обучения, нейронные сети для генерации изображений будут продолжать прогрессировать и изменять все области, связанные со созданием и восприятием изображений.
Список использованной литературы:
1. Лекун Ян «Как учится машина: Революция в области нейронных сетей и глубокого обучения», 2021 г., 370 с.
2. Гудфеллоу Я., Бенджио И., Курвилль А. «Глубокое обучение», 2017 г., 653 с.
3. Безгачев Ф.В. «ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ В ИСКУССТВЕННОЙ ГЕНЕРАЦИИ ЛИЦ», 2021 г.
4. Сантану Паттанаяк. «Генерация изображений с помощью TensorFlow», 2022 г., 698 с.
5. Andrea Cigliano «GENERATIVE ADVERSARIAL NETWORKS», 2018 г.
© Голышева Е.Н., Медведев А.А., Масалитин Н.С., 2023
УДК 62
Гурбанова М.,
Преподаватель кафедры физики и информатики.
Бегджанова Н.М.,
Студентка лечебного факультета. Туркменский государственный медицинский университет
имени Мырата Гаррыева.
Ашхабад, Туркменистан.
КОМПЬЮТЕРНЫЕ СЕТИ И ТЕЛЕКОММУНИКАЦИИ Аннотация
В данной работе говорится о классификации компьютерных сетей, то есть о разделении ресурсов, о повышении надёжности функционирования системы, о распределении загрузки, о расширяемости; а также об их топологиях и методах.
Ключевые слова:
интернет, компьютерная сеть, ресурсы, система, загрузка, кольцо, локальная сеть, звезда.
Annotation
This article is about the classification of computer networks, that is, about the division of resources, about increasing the reliability of the system, loading distribution, extensibility; as well as their topologies and methods.
Key words:
the internet, computer network, resources, system, download, ring, local network, star.
В последнее время многократно вырос интерес к компьютерным сетям. Компьютерные сети играют немаловажную роль в функционировании современных предприятий, составляют структуру глобальной сети Интернет, используются многочисленными программными средствами для более эффективной и результативной работы.
Классификация компьютерных сетей. Сети компьютеров имеют множество преимуществ перед совокупностью отдельных систем, в их числе следующие:
• Разделение ресурсов.
• Повышение надежности функционирования системы.
• Распределение загрузки.
