Comparing the performance of different generative adversarial networks on realistic and art images
Farklı üretici adversarial ağların performansının gerçekçi olarak karşılaştırılması
- Tez No: 859231
- Danışmanlar: PROF. ALİ OKATAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Generatif Adversarial Ağlar, Dikkatli Konvolütional GAN'lar, Koşullu GAN'lar, Bilgi GAN'ları, Generative Adversarial Networks, Deep Convolutional GANs, Info GANs
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka ve Veri Bilimi Bilim Dalı
- 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
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Deep convolutional neural networks for image inpainting
Derin evrişimsel sinir ağları ile resimlerde içboyama
UĞUR DEMİR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELÇUK SEVGEN
- Termal görüntülere derin öğrenme tabanlı süper çözünürlük yöntemlerinin uygulanması
Application of deep learning based super resolution in thermal images
CANER CİVE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Biyomedikal imgeler için yapay zekâ tabanlı hücre segmentasyonu yöntemi
Artificial intelligence based cell segmentation method for biomedical images
GİZEM DURSUN DEMİR
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UFUK ÖZKAYA