Visual design using generative adversarial networks with heuristics improvement
Başlık çevirisi mevcut değil.
- Tez No: 752850
- Danışmanlar: PROF. DR. NAFİZ ARICA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
In this study, we propose a new and better method to improve the training performance of Pix2Pix. Saying that, instead of training color images with black and white edge images in the Pix2Pix method, we train the network with a new dataset created with RGB edge images. With this approach, we show that while increasing the ability of the Pix2Pix method to produce images with a wider variety of colors, training can produce more successful results with fewer EPOCHs. On the other hand, we run a comprehensive literature survey from three perspectives, which are architectural, loss functions and image synthesis perspectives. GANs under architectural perspective propose improvements with applying different neural network structures for both generator and discriminator part of the entire network, where the GANs listed under loss function perspective represents the improvements by applying different loss functions to the networks. It is possible to group GAN studies only under architectural and loss functions perspectives, but we found better to add another group particularly for image synthesis that the experimental focus of this thesis is built particularly on image synthesis methods. In performance analysis of experimental result, we present the results obtained from training and synthesis processes with Pix2Pix, StyleGAN and Style Transfer methods to compare different results. We also show the problem of generating mostly brown colored images instead of multicolor images with the Pix2Pix method.
Özet (Çeviri)
Bu tez ile Pix2Pix için yeni bir yöntem ile çok renkli görüntüler oluşturmanın daha iyi bir yolunu öneriyoruz. Renkli görüntüleri Pix2Pix yönteminde siyah beyaz kenar görüntülerle eğitmek yerine, RGB kenar resimleriyle oluşturulan olan yeni bir veri seti ile eğitmekteyiz. Bu yaklaşımla, Pix2Pix yönteminin daha çeşitli renklerde resimler üretebilme yeteneğini arttırırken, eğitimin daha az EPOCH sayısıyla daha başarılı sonuçlar elde üretebildiğini de göstermekteyiz. Diğer yandan, hata fonksiyonları ve görüntü sentezi perspektifleri olmak üzere üç perspektiften kapsamlı bir literatür taraması sunmaktayız. Mimari perspektif altında GAN'lar, tüm ağın hem oluşturucu hem de ayırıcı kısmı için farklı sinir ağı yapılarının uygulanmasıyla iyileştirmeler önerir; burada hata fonksiyonu perspektifi altında listelenen GAN'lar, ağlara farklı hata fonksiyonları uygulayarak iyileştirmeleri temsil eder. Teorik olarak, GAN çalışmalarını sadece mimari ve kayıp fonksiyonları perspektifleri altında gruplamak mümkündür, ancak bu tezin deneysel odağı özellikle görüntü sentezi yöntemleri üzerine kurulmuş olması sebebiyle, özellikle görüntü sentezi için başka bir grup daha eklemeyi uygun bulduk. Bu çalışmanın deneysel bölümündeki performans analizinde, farklı sonuçları karşılaştırmak için Pix2Pix, StyleGAN ve Style Transfer yöntemleri ile eğitim ve sentez işlemlerinden elde edilen sonuçları sunuyoruz. Pix2Pix yöntemi ile çok renkli görüntüler yerine çoğunlukla kahverengi renkli görüntülerin üretilmesi sorununu gösteriyoruz.
Benzer Tezler
- A software defined network framework in 5G wireless systems
5G kablosuz sistemlerde yazılım temelli ağ iskeleti
GÖKHAN SEÇİNTİ
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- Mimari kesit aracıyla sentetik üretim: Oditoryum örneği
Synthetic generation with the architectural section tool: An example of auditorium
ŞEMSİ BARIŞ TERZİ
Yüksek Lisans
Türkçe
2023
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. SEMA ALAÇAM
DR. ÖZGÜN BALABAN
- Yeni fenomen algoritmalar: çekişmeli üretken ağların mimarlıktaki potansiyelleri üzerine bir araştırma
New phenomenon algorithms: a research based on potentials of generative adversarial networks in architecture
RUŞEN EROĞLU
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. LEMAN FİGEN GÜL
- Oyun karakteri üretimi için üretken modeller
Generative models for game character generation
FERDA GÜL AYDIN EMEKLİGİL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi
Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks
BERFİN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR