Geri Dön

Comparing the performance of different generative adversarial networks on realistic and art images

Farklı üretici adversarial ağların performansının gerçekçi olarak karşılaştırılması

  1. Tez No: 859231
  2. Yazar: SAFOUH ALHELWANI
  3. Danışmanlar: PROF. ALİ OKATAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Generatif Adversarial Ağlar, Dikkatli Konvolütional GAN'lar, Koşullu GAN'lar, Bilgi GAN'ları, Generative Adversarial Networks, Deep Convolutional GANs, Info GANs
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 67

Özet

Bu araştırma, farklı Generatif Adversarial Ağlar'ın (GAN) performansını gerçekçi ve sanatsal görüntüler üzerinde inceliyor. Özellikle, Dikkatli Konvolütional GAN'lar (DCGAN'lar) ve Koşullu GAN'lar için çıktıların uygulanması ve karşılaştırılması yapılıyor ve son olarak çalışma Bilgi GAN'larını da içerecek şekilde genişliyor. Metodoloji, bu modelleri gerçekçi ve sanatsal görüntüleri içeren çeşitli bir veri seti üzerinde eğitmeyi ve performanslarını çeşitli metrikler aracılığıyla değerlendirmeyi içerir. Bu çalışma, uzamsal görüntüleme için GAN tasarımını kapsamlı bir şekilde incelemeyi amaçlamaktadır. DCGAN'lar, Koşullu GAN'lar ve Bilgi GAN'larını analiz ederek araştırma, görüntü oluşturma görevlerindeki güçlü ve zayıf yönlerini ortaya çıkarmayı hedeflemektedir. Kapsamlı analiz ve karşılaştırma yoluyla, bu GAN mimarilerinin yeteneklerine ve potansiyel uygulamalarına bakabilir, doğurganlık modelleme tekniklerinin geliştirilmesine ve bunların gerçek dünya uygulamalarına katkılar sağlayabiliriz.

Özet (Çeviri)

This research explores the performance of different Generative Adversarial Networks (GANs) on realistic and art images. Specifically, implementation and comparison of outcomes for Deep Convolutional GANs (DCGANs) and Conditional GANs and lastly this study evolves to include Info GANs. The methodology involves training these models on a diverse dataset comprising realistic and art images and evaluating their performance through various metrics. This study aims to comprehensively review GAN design for spatial imaging. By analyzing DCGANs, Conditional GANs, and Info GANs, the research aims to reveal their strengths and limitations in image generation tasks. Through rigorous analysis and comparison, we can look at the capabilities and potential applications of these GAN architectures, contributing to the development of fertility modeling techniques and their real-world implications.

Benzer Tezler

  1. On real-world face super-resolution and face image synthesis evaluation

    Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine

    ERDİ SARITAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

  2. Deep convolutional neural networks for image inpainting

    Derin evrişimsel sinir ağları ile resimlerde içboyama

    UĞUR DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  3. Difüzyon modelinin görüntü üretimi üzerindeki etkisi ve performans analizi

    The effect of diffusion model on image generation and performance analysis

    ALİ CAN BEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELÇUK SEVGEN

  4. Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması

    Application of deep learning based super resolution in thermal images

    CANER CİVE

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  5. Biyomedikal imgeler için yapay zekâ tabanlı hücre segmentasyonu yöntemi

    Artificial intelligence based cell segmentation method for biomedical images

    GİZEM DURSUN DEMİR

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSüleyman Demirel Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UFUK ÖZKAYA